Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2268

[[Удален]]

Rorschach:

У сеток преимущество в нелинейности и способе подбора параметров, а так те же фильтры.

Просто про обучение с подкреплением много негатива. В автомобилях сети с учителем показывают лучше результаты, в играх то же. Даже придумали сетку с конца уровня обучать и переставлять спавн все ближе к началу. Еще интересно, опыт датасайнтиста решает. Юнити сделали игру специально под МЛ и устроили чемп. Человек в среднем доходит до 20 уровня. Взяли 2 самых новых метода по сеткам, с их помощью в среднем доходили до 4 уровня. А спецы на чемпе смогли показать результаты на уровне человека.

был хайп РЛ, уже прошел.. сейчас в тренде трансформеры и ГАНы

[mytarmailS]

Maxim Dmitrievsky:

был хайп РЛ, уже прошел.. сейчас в тренде трансформеры и ГАНы

В тренде мозги! которые знают все алгоритмы и умеют применять конкретный алгоритм для конкретной задачи, а не за трендами гоняться....

если тебе надо в ГО выиграть то нах. тебе эти ганы  там? а если ирисы класифицыровать , то нах. там РЛ ?

всему свое место!

[[Удален]]

mytarmailS:

В тренде мозги! которые знают все алгоритмы и умеют применять конкретный алгоритм для конкретной задачи, а не за трендами гоняться....

если тебе надо в ГО выиграть то нах. тебе эти ганы  там? а если ирисы класифицыровать , то нах. там РЛ ?

всему свое место!

вот твой ограниченный кругозор и не может представить куда что и зачем

[Rorschach]

Maxim Dmitrievsky:

был хайп РЛ, уже прошел.. сейчас в тренде трансформеры и ГАНы

ганы интересно для генерации искусственных данных попробовать

по хорошему надо бы этот фреймвок освоить, тогда все пойдет намного быстрее.

[[Удален]]

Rorschach:

ганы интересно для генерации искусственных данных попробовать

по хорошему надо бы этот фреймвок освоить, тогда все пойдет намного быстрее.

Я свою ган написал, там ничего сложного. Правда не рекуррентная, надо будет переделать.

Пример на Торче

декларация

# creating cGAN
class Discriminator(nn.Module):
    def __init__(self, input_vector):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(input_vector, 500),
            nn.ReLU(),
            nn.Dropout(0.2),
            nn.Linear(500, 250),
            nn.ReLU(),
            nn.Dropout(0.2),
            nn.Linear(250, 1),
            nn.Sigmoid()
        )

    def forward(self, x):
        return self.model(x)


class Generator(nn.Module):
    def __init__(self, input_vector):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(input_vector, 250),
            nn.ReLU(),
            nn.Dropout(0.2),
            nn.Linear(250, 500),
            nn.ReLU(),
            nn.Dropout(0.2),
            nn.Linear(500, input_vector)
        )

    def forward(self, x):
        return self.model(x)

обучение

tens = torch.FloatTensor(pr[pr.columns[1:]].values)
train_iterator = torch.utils.data.DataLoader(
    tens, batch_size=BATCH_SIZE, shuffle=True,)

discriminator = Discriminator(INPUT_VECTOR+1)
generator = Generator(INPUT_VECTOR+1)
optimizer_discriminator = torch.optim.Adam(discriminator.parameters(), lr=lr)
optimizer_generator = torch.optim.Adam(generator.parameters(), lr=lr)

for epoch in range(NUM_EPOCHS):
    for n, real_samples in enumerate(train_iterator):
        if real_samples.shape[0] != BATCH_SIZE:
            continue
        # Data for training the discriminator
        real_samples_labels = torch.ones((BATCH_SIZE, 1))
        latent_space_samples = torch.randn((BATCH_SIZE, INPUT_VECTOR+1))
        generated_samples = generator(latent_space_samples)
        generated_samples_labels = torch.zeros((BATCH_SIZE, 1))
        all_samples = torch.cat((real_samples, generated_samples))
        all_samples_labels = torch.cat(
            (real_samples_labels, generated_samples_labels)
        )

        # Training the discriminator
        discriminator.zero_grad()
        output_discriminator = discriminator(all_samples)
        loss_discriminator = loss_function(
            output_discriminator, all_samples_labels)
        loss_discriminator.backward()
        optimizer_discriminator.step()

        # Data for training the generator
        latent_space_samples = torch.randn((BATCH_SIZE, INPUT_VECTOR+1))

        # Training the generator
        generator.zero_grad()
        generated_samples = generator(latent_space_samples)
        output_discriminator_generated = discriminator(generated_samples)
        loss_generator = loss_function(
            output_discriminator_generated, real_samples_labels
        )
        loss_generator.backward()
        optimizer_generator.step()

        # Show loss
        if epoch % 10 == 0 and n == BATCH_SIZE - 1:
            print(f"Epoch: {epoch} Loss D.: {loss_discriminator}")
            print(f"Epoch: {epoch} Loss G.: {loss_generator}")

вот есть другой пример

[[Удален]]

Если не хотите ничего писать, то готовое

[Rorschach]

Maxim Dmitrievsky:

Я свою ган написал, там ничего сложного. Правда не рекуррентная, надо будет переделать.

Пример на Торче

вот есть другой пример

Будет время попробую разобраться.

[[Удален]]

Rorschach:

Будет время попробую разобраться.

Я провел сравнения разных генеративных моделей из библиотеки выше, через свою либу. Получилось, что GMM работает лучше для табличных данных (датафрейма с приращениями). Потом идут копулы, вторые по эффективности. Нейросетевые модели типа табличных Ганов и проч. сработали хуже. Но, возможно, я что-то сделал не так. Еще есть такой вариант. 

[Rorschach]

Maxim Dmitrievsky:

Я провел сравнения разных генеративных моделей из библиотеки выше, через свою либу. Получилось, что GMM работает лучше для табличных данных (датафрейма с приращениями). Потом идут копулы, вторые по эффективности. Нейросетевые модели типа табличных Ганов и проч. сработали хуже. Но, возможно, я что-то сделал не так. Еще есть такой вариант. 

Сети похоже плохо шум переносят, возможно поэтому результаты хуже.

Хотел на каждой эпохе шум подмешивать к данным, но так руки и не дошли.

[[Удален]]

Rorschach:

Сети похоже плохо шум переносят, возможно поэтому результаты хуже.

Хотел на каждой эпохе шум подмешивать к данным, но так руки и не дошли.

как будто бы очень сильно усредняют. На выходе получаются похожие семплы, слабый разброс. Как латентный вектор не меняй, получаются слишком близкие значения.