Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2107
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
Думаю увеличение глубины деревьев поможет не хуже балансировки.
Можно и увеличение глубины пробовать. Там ещё надо параллельно снижать темп обучения - это так же улучшает результат на несбалансированных выборках.
Скорее квантование сведет этот шум на нет. Если в столбе 10000 разных значений, при квантовании к 255 квантам в один квант попадет в среднем 40 разных значений. Или другой пример - если было изначально 1000 примеров, добавляем шум с получением 10000 примеров, потом квантованием своим к 255 разных квантов/значений - лишняя работа на мой взгляд с этим добавлением шума.
Там используются разные методы квантования, в том числе учитывающие скученность объектов в диапазоне.
Смотрел недавно код - удаления дубликатов не увидел. Скорее наоборот из 40 разных примеров делаются дубликаты объединением в 1 квант.
Если нашли в коде процесс квантования (установку границ), то можете выложить этот код? Там наверное функции?
Причем здесь увеличение глубины
у вас большое облако точек одного класса и несколько сэмплов другого с боку-припеку (а может и внутри), которые никогда не выполняются.
второй класс надо раздуть до вменяемых размеров, или использовать one class classification алгоритмы
Причем здесь увеличение глубины
у вас большое облако точек одного класса и несколько сэмплов другого с боку-припеку (а может и внутри), которые никогда не выполняются.
второй класс надо раздуть до вменяемых размеров
Увеличение глубины поможет выделить в листьях области с малым числом примеров, другое дело, что в процентном соотношении листьев с нулями может остаться столько же, и тогда последующие деревья опять затрут эти единицы. При обучении таких выборок видно, как Recall уходит в ноль посреди обучения, а потом опять возвращается к малым процентам.
Можете раздуть, если я дам выборку? Если метод рабочий, то уже подумаю, как его лучше реализовать в MT5.
Увеличение глубины поможет выделить в листьях области с малым числом примеров, другое дело, что в процентном соотношении листьев с нулями может остаться столько же, и тогда последующие деревья опять затрут эти единицы. При обучении таких выборок видно, как Recall уходит в ноль посреди обучения, а потом опять возвращается к малым процентам.
Можете раздуть, если я дам выборку? Если метод рабочий, то уже подумаю, как его лучше реализовать в MT5.
Могу. Это все фигня про листья и проч. Классы должны быть сбалансированы
Вот выборка - разбита на 3 части, я так понимаю, что модифицировать надо только train.csv?
Целевая столбец "Target_100" - последние 4 столбца не участвуют в обучении (там можно сориентироваться на столбец с датами) - для построения баланса нужны.
Похоже спалил в своей статье прибыльный советник (подход к обучению):
На графике финансовый результат модели по итогу каждого месяца, если первую модель обучить на 12 месяцах и потом добавлять к ней историю каждого нового месяца - склейка фьючерсного Si контракта на USDRUB_TOM.
у прибыльного баланс идет UP под одним и тем же углом
либо по геометрической, если реинвест
у прибыльного баланс идет UP под одним и тем же углом
либо по геометрической, если реинвест
Даже и не знаю, что сказать... Не думал, что понятие прибыльности коррелирует с понятием жадности.
Вот выборка - разбита на 3 части, я так понимаю, что модифицировать надо только train.csv?
Целевая столбец "Target_100" - последние 4 столбца не участвуют в обучении (там можно сориентироваться на столбец с датами) - для построения баланса нужны.
Даже и не знаю, что сказать... Не думал, что понятие прибыльности коррелирует с понятием жадности.
на графике баланса прирост за последних 4.5 года из 5-ти представленных, практически равен нулю
как можно такое вытерпеть?
явно рано говорить о прибыльности
Можно и увеличение глубины пробовать. Там ещё надо параллельно снижать темп обучения - это так же улучшает результат на несбалансированных выборках.
Там используются разные методы квантования, в том числе учитывающие скученность объектов в диапазоне.
Если нашли в коде процесс квантования (установку границ), то можете выложить этот код? Там наверное функции?
Тут https://github.com/catboost/catboost/blob/3cde523d326e08b32caf1b8b138c2c5303dc52e5/library/cpp/grid_creator/binarization.cpp
все 5 типов квантования. Начните с самого простого (как раз по скученности) ф-я называется GenerateMedianBorders