Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 949

Новый комментарий
 
СанСаныч Фоменко:

Какой еще тренд при классификации? Ошибки предсказания класса будут рвать тренд - ничего не останется от тренда.

Ну а почему бы и нет, я определяю только входы, выходы будут отрабатываться тралом, а не результатами МО.

 
СанСаныч Фоменко:

Конечно, елы-палы!

Еще какие?

Сейчас пересчитаю.

Жду с интересом!

 
Aleksey Vyazmikin:

Жду с интересом!

Вот.

Number of observations used to build the model: 20276
Missing value imputation is active.

Call:
 randomForest(formula = as.factor(arr_Buy) ~ .,
              data = crs$dataset[crs$sample, c(crs$input, crs$target)],
              ntree = 500, mtry = 7, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)

               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 7

        OOB estimate of  error rate: 17.76%
Confusion matrix:
     -1    0    1 class.error
-1 4429 1157   84   0.2188713
0   498 8288  501   0.1075697
1   102 1259 3958   0.2558752

Variable Importance
===================

                                -1     0     1 MeanDecreaseAccuracy MeanDecreaseGini
arr_LastBarPeresekD_Down_M15 56.11 64.27 64.49                69.56           211.39
arr_DonProc_M15              60.79 63.68 57.48                67.77           298.46
Levl_High_H4                 59.69 61.76 57.36                69.74           195.16
Levl_Close_W1                54.44 58.90 57.08                64.35           234.41
arr_Regresor                 56.51 55.71 56.09                61.40           212.89
Levl_Low_H4                  50.14 52.47 55.56                57.38           203.09
Levl_Low_D1                  51.00 50.52 55.24                57.91           192.80
arr_Den_Nedeli               47.86 50.18 55.22                53.55           214.23
arr_DonProcVisota            53.91 58.53 55.15                58.61           305.84
Levl_Close_MN1               51.68 51.71 54.70                58.12           228.30
Levl_Close_D1                53.13 51.06 51.83                57.80           267.86
arr_LastBarPeresekD_Up_M15   52.46 52.45 49.94                56.53           218.22
arr_DonProc                  47.96 69.45 49.35                60.33           322.91
Levl_Support_D1              52.28 52.42 49.21                56.50           253.82
Levl_Support_W1              47.90 50.98 47.38                53.37           219.35
Levl_High_W1                 48.68 47.64 47.35                52.45           144.54
Levl_Low_H1                  46.62 53.94 46.72                54.10           208.75
Levl_Support_MN1             41.67 44.57 46.52                46.83           198.77
arr_TimeH                    44.65 46.73 45.21                47.78           183.06
Levl_High_D1                 43.69 42.56 45.17                46.79           169.77
Levl_first_H4                41.65 44.09 43.92                46.57           121.20
Levl_High_MN1                37.88 40.27 42.96                42.52           142.87
X_USE_Filter_MA_02           38.67 43.46 42.57                49.19            84.23
Levl_first_H1                38.36 40.30 40.51                44.00           135.97
Levl_Low_MN1                 36.20 39.33 39.59                40.68           149.38
Levl_High_H1                 36.34 39.67 39.02                40.28           196.14
arr_LastBarPeresekD_Down     40.51 39.81 37.87                43.21           232.92
Levl_first_D1                33.94 36.19 36.47                38.99            78.20
Levl_first_MN1               30.33 33.31 35.62                34.03            99.66
arr_LastBarPeresekD_Up       32.66 40.83 35.21                38.65           238.36
Levl_Low_W1                  33.29 34.25 35.02                35.13           175.21
X_Use_Donchianf              31.06 34.26 33.54                36.21            97.49
Levl_Support_H4              33.55 38.03 33.15                36.91           248.48
Use_Filter_MA_Prirost        31.89 31.93 31.42                38.92            63.63
Levl_Close_H1                32.25 34.31 31.06                34.08           242.26
X_Use_Filter_Fibo_in_Day     29.56 30.80 30.99                36.89            71.70
Levl_Close_H4                34.27 33.26 30.79                34.17           272.58
X_USE_Filter_MA              25.90 31.13 29.25                33.87            66.11
X_Use_BarPeresek_iMA_TF      26.07 23.12 28.88                32.17            31.87
Levl_first_W1                26.50 28.50 27.21                28.70            83.33
arr_Vektor_Week              25.93 25.76 26.68                29.62            44.61
arr_Vektor_Don_M15           29.11 28.28 26.27                31.15            53.36
arr_RSI_Open_H1              30.82 29.38 25.75                36.56            45.64
Levl_Support_H1              26.88 27.87 25.56                27.72           215.06
arr_Vektor_Day               22.67 24.33 24.70                26.31            43.21
arr_Vektor_Don               23.32 25.04 21.89                25.40            65.35
arr_BB_Up                    10.94 11.71 16.86                15.05            21.55
arr_BB_Center                16.63 17.40 16.01                17.13            58.55
X_Use_ChanelEvaProc          13.36 17.13 12.74                23.63           106.51
arr_RSI_Open_M1               8.95 11.16 12.15                13.34            33.44
arr_BB_Down                  13.49 13.31  6.84                13.36            24.11
USE_Filter_MA_Donchian        3.60 -1.85  5.00                 3.82             2.32


Необходимое количество деревьев возросло, уж точно не 100


Ошибку считает не правильно: надо считать по столбцу, хуже чем ранее, но все равно очень прилично

 
Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [validate] (counts):

      Predicted
Actual    -1     0     1 Error
    -1 20157  5167   292  21.3
    0   2222 37861  2060  10.2
    1    373  5502 17608  25.0

Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [validate] (proportions):

      Predicted
Actual   -1    0    1 Error
    -1 22.1  5.7  0.3  21.3
    0   2.4 41.5  2.3  10.2
    1   0.4  6.0 19.3  25.0

Overall error: 17.1%, Averaged class error: 18.83333%


Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [test] (counts):


      Predicted

Actual    -1     0     1 Error

    -1 19963  5131   328  21.5

    0   2259 37753  2104  10.4

    1    404  5703 17597  25.8


Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [test] (proportions):


      Predicted

Actual   -1    0    1 Error

    -1 21.9  5.6  0.4  21.5

    0   2.5 41.4  2.3  10.4

    1   0.4  6.3 19.3  25.8


Overall error: 17.4%, Averaged class error: 19.23333%


Поразительная стабильность ошибки - это очень обнадеживает.

 
СанСаныч Фоменко:

Вот.


Необходимое количество деревьев возросло, уж точно не 100


Ошибку считает не правильно: надо считать по столбцу, хуже чем ранее, но все равно очень прилично

Спасибо! Значит набор предикторов не так и плох, и есть смысл его расширять!


СанСаныч Фоменко:

Поразительная стабильность ошибки - это очень обнадеживает.

А может просто выборка очень типична? Я вот думаю как-то надо обучатся на файле с 2015 годом, а проверять на 2016 - там как бы тренды глобальные противоположного направления, думаю там система не сможет так эффективно работать.

Эх, знать бы как это ещё заставить работать... интересно леса у Максима и тут одинаковы по логике формирования или нет?

 
Aleksey Vyazmikin:

Спасибо! Значит набор предикторов не так и плох, и есть смысл его расширять!


А может просто выборка очень типична? Я вот думаю как-то надо обучатся на файле с 2015 годом, а проверять на 2016 - там как бы тренды глобальные противоположного направления, думаю там система не сможет так эффективно работать.

Эх, знать бы как это ещё заставить работать... интересно леса у Максима и тут одинаковы по логике формирования или нет?

Писал выше, повторю:

  • проверить предсказательную способность
  • поделить файл и посмотреть ошибку на второй половине.


ПС.

Предикторов и так с избытком.

 
СанСаныч Фоменко:

Писал выше, повторю:

  • проверить предсказательную способность
  • поделить файл и посмотреть ошибку на второй половине.

Зачем делить файл, если и так всё уже поделено на два файла? Просто не умею я в R этого делать, объяснить мне никто так и не смог - видимо глуп.

СанСаныч Фоменко:

ПС.

Предикторов и так с избытком.

Да не совсем, это не всё что я использую в реальной торговле, в том числе и с применением АТС.

Очень надеюсь, что сеть сможет переплюнуть оптимизированный советник на истории :)

 

Где вы понабрали столько пердикторов? вручную подбирали под стратегию? с ума сойти :)

логика у лесов +- одинаковая должна быть

 

А вот другая модель:

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (counts):

      Predicted
Actual   -1     0    1 Error
    -1 6176 18666  774  75.9
    0  2242 38585 1316   8.4
    1  1333 17683 4467  81.0

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (proportions):

      Predicted
Actual  -1    0   1 Error
    -1 6.8 20.5 0.8  75.9
    0  2.5 42.3 1.4   8.4
    1  1.5 19.4 4.9  81.0

Overall error: 46%, Averaged class error: 55.1

Результат КАЧЕСТВЕННО другой, хотя и модель качественно другая, должна плохо работать на Ваших данных.


Надо доводить до ума randomForest

 
Aleksey Vyazmikin:


Очень надеюсь, что сеть сможет переплюнуть оптимизированный советник на истории :)

Зачем делить файл, если и так всё уже поделено на два файла? Просто не умею я в R этого делать, объяснить мне никто так и не смог - видимо глуп.

Поделить - раз плюнуть, проблема в предубеждении к R.


Очень надеюсь, что сеть сможет переплюнуть оптимизированный советник на истории :)

А зачем сеть?

1...942943944945946947948949950951952953954955956...3494
Новый комментарий
Причина обращения: