Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1042
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Тюююююю.... да где это видано было чтоб ветка опускалась ниже первой страницы????? Да.... запустили вы её ребята... запустили. В месте с тем у меня всё хорошо и полученные результаты вполне обнадёживают и всё благодаря случайно допущенной ошибки :-)
Было так.....Как пример...
А стало вот так.... Кто ни будь может сказать произошло ли улучшение данных или нет????
Действительной вопросов очень много. Как интерпретировать график главных компонент????? И всё таки вопрос Эти два набора данных взяты за один и тот же период времени. Целевая одна и та же, но сохранение предикторов было сделано двумя разными способами. Итак. Ваш выход статисты, данная задачка именно для Вас!!!!!
Какой из приведённых наборов данных лучше??? Первый или второй. Ваше мнение господа!!!!!
А потом я выскажусь...... Ладушки???
Не осилил и 2-х страниц этой темы.
Просто выскажу свое мнение. И так Машинное обучение это набор статистики по инструменту, анализ и уже сам алгоритм по результату проделанной работы, но... Есть одно важное замечание, никакой алгоритм не гарантирует, что если соблюсти все условия, то вы получите нужный результат, а это значит сколько бы вы данных не анализировали и как бы не усложняли алгоритмы принятия решения, во всем этом будет присутствовать вероятность предполагаемого исхода.
Именно вероятность вы торгуете, в следствии чего вам надо искать исход более высоких коэффициентов вероятности. Сам же рынок однообразен, исходя из моего анализа (не точного, но был не точен как для лонгов, так и шортов), рынок за один и тот же временной интервал дает приблизительно одинаковое(49%/51% или 51%/49%) количество профитных сделок в обе стороны.
И так, алгоритм принятия решения должен отталкиваться от наиболее высокой оценки(качественной ) вероятности исхода с доп фильтрами на ваше усмотрение.
Тюююююю.... да где это видано было чтоб ветка опускалась ниже первой страницы????? Да.... запустили вы её ребята... запустили. В месте с тем у меня всё хорошо и полученные результаты вполне обнадёживают и всё благодаря случайно допущенной ошибки :-)
Было так.....Как пример...
А стало вот так.... Кто ни будь может сказать произошло ли улучшение данных или нет????
Действительной вопросов очень много. Как интерпретировать график главных компонент????? И всё таки вопрос Эти два набора данных взяты за один и тот же период времени. Целевая одна и та же, но сохранение предикторов было сделано двумя разными способами. Итак. Ваш выход статисты, данная задачка именно для Вас!!!!!
Какой из приведённых наборов данных лучше??? Первый или второй. Ваше мнение господа!!!!!
А потом я выскажусь...... Ладушки???
Михайло до PCA добрался.. нафига, руки чешутся? )
график главных компонент надо интерпретировать в ортогональном базисе :D
красные это типа орты предикторов, а цифры что обозначают?
Михайло до PCA добрался.. нафига, руки чешутся? )
график главных компонент надо интерпретировать в ортогональном базисе :D
Ну так и какой из них лучше???
Ну так и какой из них лучше???
ну второй, 55%
ну второй, 55%
На графике главных компонент(первый график) нету никаких 55%. 55% это график кластеризации на котором в обоих случаях данные представляют две хорошо разделимые области. Одна лучше одна хуже и всетаки вернёмся к первому графику. Почему нижний лучше чем верхний????
Для это нужно знать как их интерпретировать!!!!
На графике главных компонент(первый график) нету никаких 55%. 55% это график кластеризации на котором в обоих случаях данные представляют две хорошо разделимые области. Одна лучше одна хуже и всетаки вернёмся к первому графику. Почему нижний лучше чем верхний????
Для это нужно знать как их интерпретировать!!!!
ну если цифры это точки то на втором дисперсия по 2-м компонентам ниже чем на 1-м, не?
http://setosa.io/ev/principal-component-analysis/
покрути графики мышкой и почитай, сразу все понятно станет
ну если цифры это точки то на втором дисперсия по 2-м компонентам ниже чем на 1-м, не?
http://setosa.io/ev/principal-component-analysis/Согласен!!!! Но это не всё... Оказывается второй график лучше по причине наличия таких векторов которые максимально приближены к нулевым осям. В этом примере это не так видно, но сейчас стали попадатся такие наборы данных у который вектора компонент совпадают с нулевыми осями и делят поле на ровные 4 квадрата. В первом случае оси компонент разбросаны по диоганалям между нулями тогда как на втором рисунке есть такие вектора компонент которые максимально сближены к нулевым линиям. Зная наименование предиктора тренируем оптимизатор до тех пор пока во входах будут именно те предикторы которые формируют вектор компонент максимально приближенный к нулевой оси и не важно в какую сторону. Опять таки это мой ИМХО!!! Поэтому и хотел уточнить насколько я прав!!!!
Согласен!!!! Но это не всё... Оказывается второй график лучше по причине наличия таких векторов которые максимально приближены к нулевым осям. В этом примере это не так видно, но сейчас стали попадатся такие наборы данных у который вектора компонент совпадают с нулевыми осями и делят поле на ровные 4 квадрата. В первом случае оси компонент разбросаны по диоганалям между нулями тогда как на втором рисунке есть такие вектора компонент которые максимально сближены к нулевым линиям. Зная наименование предиктора тренируем оптимизатор до тех пор пока во входах будут именно те предикторы которые формируют вектор компонент максимально приближенный к нулевой оси и не важно в какую сторону. Опять таки это мой ИМХО!!! Поэтому и хотел уточнить насколько я прав!!!!
Твой оптимизатор нелинейный а PCA линейный, хз как ты там че поймешь
Твой оптимизатор нелинейный а PCA линейный, хз как ты там че поймешь
Очень просто. Из графика РСА я выясняю какие предикторы лежат ближе всего к нулевым осям. И сторою модели до тех пор пока на входе у неё будут именно этии предиктора\ы. Как правила в течении 2-3 оптимизаций они выпадают, такие модели будут устойчивы к данным и максимально пилят текущую область данных. ИМХо естественно :-)