Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3691

[[Удален]]

А если лимитками торговать, как контролииь не сработавшие лимитки для других ног?

[[Удален]]

Статья про скрытые марковские модели. Понравилась библиотека hmmlearn, хорошо сделана.

https://www.mql5.com/ru/articles/17917

[[Удален]]

Есть повод поковырять спайковые нейронки (просто интересно)

[[Удален]]

pieces.app пользуюсь уже больше года, наверное самое полезное и (пока) бесплатное приложение для кодинга, где не нужен vpn.

Ограничено только задачами кодинга, нельзя генерить картинки.

Сегодня добавили модели (помимо сlaude 3.7)

Позже сделаю сравнение новых моделей на довольно сложной задаче.

[[Удален]]

В чач-ве подопытного будет такое довольно сложное задание (и код из одной из статей по козул инференсу). Возможно, будут уточняющие вопросы. Потом протестирую каждый код и сравню с оригиналом. Цель - повысить кач-во моделей на выходе (новых данных) в ТС, оно напрямую зависит от этой ф-ии.

Задача вполне конкретная, потому что если просто попросить "сделать лучше", они начинают предлагать много разных нерабочих вариантов, в т.ч. бредовых. 

Можешь модифицировать этот код, чтобы он использовал конформные предсказания для определения плохих меток?

def meta_learners(models_number: int, iterations: int, depth: int, bad_samples_fraction: float):
    dataset = get_labels_one_direction(get_features(get_prices()),
                                       markup=hyper_params['markup'],
                                       min=1,
                                       max=15,
                                       direction=hyper_params['direction'])
    data = dataset[(dataset.index < hyper_params['forward']) & (dataset.index > hyper_params['backward'])].copy()

    X = data[data.columns[1:-2]]
    y = data['labels']
    BAD_WAIT = pd.DatetimeIndex([])
    BAD_TRADE = pd.DatetimeIndex([])

    for i in range(models_number):
        sampled = data.sample(frac = 0.3)
        X = sampled[data.columns[1:-2]]
        y = sampled['labels']
        X_train, X_val, y_train, y_val = train_test_split(
            X, y, train_size = 0.5, test_size = 0.5, shuffle = True)
        
        # learn debias model with train and validation subsets
        meta_m = CatBoostClassifier(iterations = iterations,
                                depth = depth,
                                custom_loss = ['Accuracy'],
                                eval_metric = 'Accuracy',
                                verbose = False,
                                use_best_model = True)
        
        meta_m.fit(X_train, y_train, eval_set = (X_val, y_val), plot = False)
        
        coreset = X.copy()
        coreset['labels'] = y
        coreset['labels_pred'] = meta_m.predict_proba(X)[:, 1]
        coreset['labels_pred'] = coreset['labels_pred'].apply(lambda x: 0 if x < 0.5 else 1)
        
        # add bad samples of this iteration (bad labels indices)
        coreset_w = coreset[coreset['labels']==0]
        coreset_t = coreset[coreset['labels']==1]

        diff_negatives_w = coreset_w['labels'] != coreset_w['labels_pred']
        diff_negatives_t = coreset_t['labels'] != coreset_t['labels_pred']
        BAD_WAIT = BAD_WAIT.append(diff_negatives_w[diff_negatives_w == True].index)
        BAD_TRADE = BAD_TRADE.append(diff_negatives_t[diff_negatives_t == True].index)

    to_mark_w = BAD_WAIT.value_counts()
    to_mark_t = BAD_TRADE.value_counts()
    marked_idx_w = to_mark_w[to_mark_w > to_mark_w.mean() * bad_samples_fraction].index
    marked_idx_t = to_mark_t[to_mark_t > to_mark_t.mean() * bad_samples_fraction].index

    data['meta_labels'] = 1.0
    data.loc[data.index.isin(marked_idx_w), 'meta_labels'] = 0.0
    data.loc[data.index.isin(marked_idx_t), 'meta_labels'] = 0.0
    # data.loc[data.index.isin(marked_idx_t), 'labels'] = 0.0

    return data[data.columns[:]]

[[Удален]]

GPT 4.1 предложил вариант, но не может написать рабочий код. Возникающие ошибки тоже не может пофиксить.

Но предложил интересную библиотеку для конформных предсказаний, которую пытался "всунуть в код". Пока что не зачет, но за либу наверное спасибо конечно. 

[Aleksei Kadachigov]

Maxim Dmitrievsky #:

GPT 4.1 предложил вариант, но не может написать рабочий код. Возникающие ошибки тоже не может пофиксить.

Но предложил интересную библиотеку для конформных предсказаний, которую пытался "всунуть в код". Пока что не зачет, но за либу наверное спасибо конечно. 

Максим, каким образом вы общаетесь с этим интеллектом? Прошу вашего позволения отправить вам сообщение.

[[Удален]]

prosvetlenniy_mudrec #:

Максим, каким образом вы общаетесь с этим интеллектом? Прошу вашего позволения отправить вам сообщение.

Через данное приложение, которое описал выше.

Там можно выбрать любую из самых последних моделей и протетсировать.

[Aleksei Kadachigov]

Maxim Dmitrievsky #:

Через данное приложение, которое описал выше.

Спасибо.

Сайт говорит, что вы принимаете сообщение только от друзей. Как вам можно написать. Я вижу, что вы много помогаете начинающим. Хотел бы сделать то же самое в вашем отношении :)

[[Удален]]

prosvetlenniy_mudrec #:

Спасибо.

Сайт говорит, что вы принимаете сообщение только от друзей. Как вам можно написать. Я вижу, что вы много помогаете начинающим. Хотел бы сделать то же самое в вашем отношении :)

Ну я общаюсь только на темы алготрейдинга или юмора :) Наверное нужно добавиться в друзья сначала.