Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2740
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
Да как так то, я просил скрипт сделать - да, цитирую " Можете сделать скрипт на R для вычислений под мою выборку - я запущу его ради эксперимента. Эксперимент должен выявить оптимальный размер выборки. ", но это уже в ответ на то, что сделали.
Ранее я писал "... И как смотреть в динамике предлагаете, как реализоать? " - тут я спрашивал как раз про реализацию оценки предикторов в динамике, т.е. регулярная оценка каким то окном и то не понятно - окно на каждом новом примере или по прошествии каждых n примеров. Если Вы так и сделали, то я этого не понял.
То, что Вы выложили код - великолепно, но просто мне сложно понять, что он конкретно делает или чего доказывает по сути, поэтому стал задавать дополнительные вопросы. Вот что там означают две картинке с графиками?
В cкользящем окне переобучать модель и смотреть важность признаков, или просто взять какой то определятор хороших признаков и смотреть его в ск. Окне
...
Также разные фиче-селекторы на любой вкус , наверное 5% от того что есть в Р-ке
размер окна плавающий для получения эффективных оценок д.б., не просто плавающее на шаг или const , - в этом проблема - на каждой итерации подбирать размер окна разве что - моделька обучаться будет долго... да и переодическое ручное переобучение и есть само по себе скользящее окно! -- всё равно ведь будете переодически этим заниматься (выходя за приемлемый st.dev) -- если есть свой график переобучения - то его и можно тоже автоматизировать. НО повторюсь - размер окна - тоже плавающий.
...
разные? - всё равно алгоритмически всё сводится к feature mapping всегда (!), как ни назовите, ... просто свои нюансы и своё поле для применения.
даже если не всем хочется это называть корреляцией
Опираюсь на понятие связи предиктора и учителя. "Связь" - это НЕ корреляция и не "важность" предикторов из подгонки практически любой модели МО.
ссылка на caret - всё тот же Classification and Regression Training - как банальное МО, всё тот же sklearn для Python.
Просто МО создавался не только для построения вероятностных моделей (на основе имеющихся распределений вероятностей), но и для детерминантных и динамических... но в основе любой генерализации вероятностей всегда (!) будет лежать статистика (с её корреляциями), как ни назовите... Иначе вы будете получать смещённые(!) оценки - т.е. ваша модель будет моделировать что-то другое (наобум), а не ваш target.
Что надо сделать чтобы мы перестали сраться и обьединись ради одной цели????????
прекрасный вопрос!
---
тут надо распознать - кого больше: продавцов или покупателей?
но беда только в том, что если цену двинуть вниз, то покупателей будет больше, гарантия!
ссылка на caret - всё тот же Classification and Regression Training - как банальное МО, всё тот же sklearn для Python.
Читайте внимательней, а придумывать не надо
Скрипт вычисляет важность предикторов в скользящем окне двумя разными алгоритмами, форестом и ещё одним способом... Как ты и просил
Форест дают частоту использования предиктора в конкретном алгоритме, поэтому запросто дает высокую важность предикторам, которые НЕ имеют связи с целевой.
Читайте внимательней, а придумывать не надо
куда уж внимательнее, если caret, действительно так расшифровывается
Форест дают частоту использования предиктора в конкретном алгоритме, поэтому запросто дает высокую важность предикторам, которые НЕ имеют связи с целевой.
повторю : готовых фиче селекторов десятки, и все ищут связь с целевой, все уже придумано до нас, давно
Вроде бы у вас видел какие-то намёки на применение survival analysis. Есть ли что интересное в данном направлении? У меня есть некоторые идеи, связанные с заменой времени поломки на величину максимального продвижения цены в нужном направлении в процессе трейда до срабатывания стопа. Основная идея в поиске отклонений от того, какое поведение должно быть при случайном блуждании. В этой области, кстати, тоже весьма развито применение матстата (регрессия Кокса, например) и МО.
... размер окна - тоже плавающий
ML faces distinct challenges in the RL context where the data is generated by the interaction of the model with the environment using a (possibly randomized) policy
т.е. сначала надо смоделировать environment текущий, и уж потом fs в нём и соответствующее поведение там же, т.е. actor должен иметь state -- на этом и можно сделать переключение на новое окно (aka учесть плавающий размер окна) и значит на новую политику среды и соответствующее/новое поведение в ней самого actor'a... вобщем, Deep Reinforcement Learning , вероятно, больше подходит, в котором
пример - тут и теория игр (взаимодействие actor'a со средой) и теория информации (касательность информации предпринимаемым ответам actor'а и реакциям среды, т.е. формирующимся новым условиям среды, aka последствия)... - я, кстати, не поняла, что СанСаныч Фоменко имел ввиду под термином теория информации ... или опять его тезис не так читают?
p.s. сама пример не тестила...
куда уж внимательнее, если caret, действительно так расшифровывается
Там написано classDist {caret}, т.е. указана конкретная функция, входящая в ПАКЕТ caret
Как я понимаю, Вы не владеете R. Тогда, зачем Вы тратите время на этой ветке, и вообще на МО?
Без владения R обсуждение МО бессмысленно.