Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1342
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
пропуски из-за выхода фичей за диапазоны значений
нашли какие-нибудь интересные предикторы? или раз на раз
Т.е. полагаете, что ранее таких значений на истории не встречалось и поэтому модель в бездействии образует пропуски, т.е. недостаточная по полноте выборка для обучения?
Ну, предикторы у меня все интересные - вымученные годами :) А вот что лучше работает, я пока не знаю, как раз сейчас работаю над скриптом, который мне поможет лучше это понять, надеюсь.
Поздравления.
Terminal: Добавлено API для запроса данных из терминала MetaTrader 5 через приложения, использующие язык R.
Для работы мы подготовили специальный пакет MetaTraderR. В нем содержатся DLL для взаимодействия между R и терминалом MetaTrader 5, документация и вспомогательные r-файлы. Сейчас пакет находится в процессе регистрации в репозитории CRAN, и в ближайшее время станет доступен для скачивания и установки.
Подождем продолжения.
Удачи
очень интересно, будем ждать
О чём шумят деревья...
На графике по оси Y номер листа (бинарного дерева), а по оси X строка выборки (тестовой в данном случае). Цветовые диапазоны в легенде - значения взяты по модулю, показывают отклик листа. В модели используется 7 деревьев, т.е. единовременно на одну строку будет приходить значение с каждого листа, всего 7, они суммируются и применяется потом логистическая функция, к примеру сумма 0 будет равна 0,5.
Из графика можно сделать вывод, что часть листьев не активировалась за период тестовой выборки, т.е. ситуации на выборке обучения и теста не повторялись, так же можно отметить большую концентрацию листьев с малым откликом (красный цвет), которые на результат влияют не значительно, что говорит скорей о шуме или разобщенности логически сходных условий.
График модели в рынке
График баланса точности
Модель взята просто для примера, как содержащая малое число листьев (деревьев).
Поробовал на Питоне обучить нейросеть. Пакет - scikit-learn, сама НС - sklearn.neural_network.MLPRegressor. Нейронов за 100, скрытых слоев -7, входов -19, выход - 1. Задача - прогнозирование случайного процесса.
Задача искусственная, сделана на генераторе шума, и так, чтобы теоретически этот шум можно было прогнозировать. Поробовал на несколько отсчетов вперед.
Результат сравнения прогноза с реалом на 5 тыс случайно выбранных точек:
По Х - прогноз, по У - реальное значение. Лежат все очень близко к 45 град. прямой. Т.е., предсказание практически идеально (на искусственной выборке).
Обучение оч. быстрое - 24 эпохи. По времени, примерно - 10 с.
Надо сказать, оч. удивлен. Я оч. старался данные запрятать. Удивительно, что нашла. Вообще, близко к мистике.)
Выводы: НС sklearn.neural_network.MLPRegressor вполне пригодна к эксплуатации. Классификатор пока не пробовал.
С рынком уже пробовал что-то делать, результатов пока ноль. Не ищет, говорит - нет там ничего, хотя задача того-же класса, что и искусственно сформированная.
Поробовал на Питоне обучить нейросеть. Пакет - scikit-learn, сама НС - sklearn.neural_network.MLPRegressor. Нейронов за 100, скрытых слоев -7, входов -19, выход - 1. Задача - прогнозирование случайного процесса.
Задача искусственная, сделана на генераторе шума, и так, чтобы теоретически этот шум можно было прогнозировать. Поробовал на несколько отсчетов вперед.
Результат сравнения прогноза с реалом на 5 тыс случайно выбранных точек:
По Х - прогноз, по У - реальное значение. Лежат все очень близко к 45 град. прямой. Т.е., предсказание практически идеально (на искусственной выборке).
Обучение оч. быстрое - 24 эпохи. По времени, примерно - 10 с.
Надо сказать, оч. удивлен. Я оч. старался данные запрятать. Удивительно, что нашла. Вообще, близко к мистике.)
Выводы: НС sklearn.neural_network.MLPRegressor вполне пригодна к эксплуатации. Классификатор пока не пробовал.
С рынком уже пробовал что-то делать, результатов пока ноль. Не ищет, говорит - нет там ничего, хотя задача того-же класса, что и искусственно сформированная.
Это задача НЕ того же класса.
Рынок это НЕ генератор шума.Это задача НЕ того же класса.
Рынок это НЕ генератор шума.Вопрос оч спорный.)) Давайте вашу модель, и если ее возможно загнать в НС, заодно и проверим пашет ли этот трактор.)
Задача - прогнозирование случайного процесса.
Задача искусственная, сделана на генераторе шума, и так, чтобы теоретически этот шум можно было прогнозировать. Поробовал на несколько отсчетов вперед.
Результат сравнения прогноза с реалом на 5 тыс случайно выбранных точек:
Т.е., предсказание практически идеально (на искусственной выборке).
Выходит данные не случайны, иначе как объяснить.
Вопрос оч спорный.)) Давайте вашу модель, и если ее возможно загнать в НС, заодно и проверим пашет ли этот трактор.)
Вопрос вовсе не спорный. И именно об этом говорит твоя НС, вполне рабочая на генераторе шума, но нерабочая на рыночных ВР с её результатом "Не ищет, говорит - нет там ничего".
И кстати,
этот результат работы НС на генераторе шума ещё раз подтверждает возможность "зарабатывания на СБ", возможность "зарабатывания на монетке". Хотя у многих это не укладывается в голове.
Ну это так, к слову.
...Давайте вашу модель ...
Юрий, попробуйте в СБ какой-нибудь артефакт добавить.
Например, вот так: https://smart-lab.ru/blog/186186.php