Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2760

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Я не видел в тех статьях осмысленного выбора признаков. Осмысленного в плане не выбирать из кучи, а сделать информативную разметку фича-целевая сразу. Под любой признак можно подобрать целевые. С приращениями такое невозможно. Придётся под целевые подбирать признаки.

Рандомная это когда от балды во все стороны сделки семплятся с разной продолжительностью и размечтаются в зависимости от результата 

"Осмысленно" - это по приведенным мною картинкам, которые и делают  "информативную разметку фича-целевая сразу"

А что Вы понимаете под словом "осмысленно"?

[[Удален]]

СанСаныч Фоменко #:

"Осмысленно" - это по приведенным мною картинкам, которые и делают  "информативную разметку фича-целевая сразу"

А что Вы понимаете под словом "осмысленно"?

Ну если делают сразу, то ок. Не помню там такого. Как статья называется? Почитаю потом

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Ну если делают сразу, то ок. Не помню там такого. Как статья называется? Почитаю потом

Здесь, у  VLADIMIR PERERVENKO. У него системно полный цикл статей, начиная с data mining. Моя точка зрения во многом совпадает с ним, кроме самой модели. Я считаю е необоснованно сложной для наших нужд. 

[JeeyCi]

СанСаныч Фоменко # :

"Осмысленно" - это по приведенным мною картинкам, которые и делают  "информативную разметку фича-целевая сразу

картинка отсюда https://www.mql5.com/ru/articles/3507  так и называется - Рис.12. Вариация и ковариация набора 2 train

от ковариации до корреляции делается 1 шаг... (но вы же гений, а все обижены, - поэтому сами походите по гуглу)... успехов вам в отшлифовке своего понятийного аппарата... как поймёте смысл слов - псевдо-гениальность вашего жаргона и липовость ваших якобы аргументов рассеются в миг... своими криками логику не измените

-- в общем ветка не изменилась, по-прежнему рваные глотки пытаются провозгласить свою гениальность, изобретая велосипед, - "первопроходцы" так сказать...

[[Удален]]

СанСаныч Фоменко #:

Здесь, у  VLADIMIR PERERVENKO. У него системно полный цикл статей, начиная с data mining. Моя точка зрения во многом совпадает с ним, кроме самой модели. Я считаю е необоснованно сложной для наших нужд. 

Там не увидел разметку целевой для конкретных признаков. Берём приращение с произвольным лагом. Оно будет информативным только для определенных целевых и неинформативным для остальных.

А просто проверил какие признаки больше подходят под конкретные целевые.

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Там не увидел разметку целевой для конкретных признаков. Берём приращение с произвольным лагом. Оно будет информативным только для определенных целевых и неинформативным для остальных.

А просто проверил какие признаки больше подходят под конкретные целевые.

Я этого не понимаю. Что значит разметка?

Пара "целевая-предикторы" связаны и пара существует именно потому, что связаны. И достаточно сложно найти такие пары. Чем сильнее связь, тем меньше ошибка подгонки. Для другой целевой проблема предикторов своя.

[[Удален]]

СанСаныч Фоменко #:

Я этого не понимаю. Что значит разметка?

Пара "целевая-предикторы" связаны и пара существует именно потому, что связаны. И достаточно сложно найти такие пары. Чем сильнее связь, тем меньше ошибка подгонки. Для другой целевой проблема предикторов своя.

Изначально ваши признаки не относятся к целевым, потому что целевые это знаки приращений, то есть бессмысленные

Потом из десятков и сотен признаков выбираете наиболее подходящие к этим целевым. Это самый неэффективный подход, но он имеет место быть.

Т.е. Вы классифицируете котиков и собачек, 2 класса. А на вход, в качестве признаков, подаёте копыта верблюдиков, рыбьи хвосты, сиськи, чайные ложки, скорость света и прочее. Конечно, иногда попадаете, но это весьма сложно.

Ситуация осложняется тем, что кошечки и собачки у вас тоже перепутаны, потому что знаки приращений это не конкретный объект, который предсказывается, а только его маленькая часть, например, нога. А эта нога может быть собачьей, но в моменте вы видите ее как кошачью.

Отсюда возникает либо жесткий брутфорс перебор всего и вся, либо изначально построенные целевые на основании признаков.

Прадо в своей книге предпринял первую попытку делать разметку классов через тройной барьер, чтобы более четко различить классы. Но мне этот подход представляется все ещё наивным.

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:

Изначально ваши признаки не относятся к целевым, потому что целевые это знаки приращений, то есть бессмысленные

Потом из десятков и сотен признаков выбираете наиболее подходящие к этим целевым. Это самый неэффективный подход, но он имеет место быть.

Т.е. Вы классифицируете котиков и собачек, 2 класса. А на вход, в качестве признаков, подаёте копыта верблюдиков, рыбьи хвосты, сиськи, чайные ложки, скорость света и прочее. Конечно, иногда попадаете, но это весьма сложно.

Ситуация осложняется тем, что кошечки и собачки у вас тоже перепутаны, потому что знаки приращений это не конкретный объект, который предсказывается, а только его маленькая часть, например, нога. А эта нога может быть собачьей, но в моменте вы видите ее как кошачью.

Отсюда возникает либо жесткий брутфорс перебор всего и вся, либо изначально построенные целевые на основании признаков.

Надеюсь ошибаюсь, но у меня впечатление что признаки понимаются не совсем одинаково.

[[Удален]]

Valeriy Yastremskiy #:
Надеюсь ошибаюсь, но у меня впечатление что признаки понимаются не совсем одинаково.

Признаки это то что подаётся на вход НС, а на выход подаются метки классов.

Признак должен представлять собой частичную информацию о классифицируемом объекте, на то он и признак. Знак отличия, если хотите.

В моем представлении, пока не определено что конкретно классифицируется, то все эти 100 навороченных способа подгонки будут давать одинаковый результат 

[Ivan Butko]

Maxim Dmitrievsky #:
Признаки это то что подаётся на вход НС, а на выход подаются метки классов.

Признак должен представлять собой частичную информацию о классифицируемом объекте, на то он и признак. Знак отличия, если хотите.

В моем представлении, пока не определено что конкретно классифицируется, то все эти 100 навороченных способа подгонки будут давать одинаковый результат 

А косвенные признаки возможно? Например, кошки и собаки часто дерутся, но собаки чаще бегают за кошками. У нас дано: два объекта и их движения. Задача: определить, кто из них кот, а кто собака, сверив один раз по фактическим данным и в последующие разы самостоятельно определять, кто есть кто. Мы точно знаем, что один из них кошка, а второй собака, только не видим их силуэт и не слышим их, даже их следов не видим, только координата передвижения. Подаём нейросети движение объектов туда-сюда (BUY-SELL). В процессе "раздумий" и перемножений весов, нейросеть классифицировала нам, что один объект всегда бежит впереди, а другой за ним (MA_5[0] > MA_10[0]), и сделала предположение: это собака сейчас впереди двигается? Проверила с фактическими данными, получила ответ (НЕТ), скорректировала данные, предположила, что это кот, сверила - (ДА). Теперь нейросеть знает, как по драке и движению объектов определить, кто есть кот, а кто собака. При этом, ей на вход не давали лапы, куски шерсти, зубы, лай или мяуканье. 

То есть, кажется, что нейросети можно скормить многое и она найдёт то и найдёт так (Эркюль Пуаро), что даст нужный ответ. То есть, признак в данном случае не представляет частичную информацию о классифицируемом объекте, но при этом возможно решение.