Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2877
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
так все понятно, можно через хэш ф-ии попробовать. Только стесняюсь спросить, по какому принципу выбирать вектора произвольной длины, вернее длину для них :) и из каких данных
вариантов может быть очень много
первый вариант приятнее, но нужно закладывать что-то в логику
Очень важный вопрос, постоянно кручусь около него) Пускай речь просто про длину используемой истории. Нужен разумный компромисс между актуальностью и длиной для расчётов. Чем короче, тем актуальнее, но чем длиннее, тем расчёты точнее. Иногда хороший компромисс недостижим в принципе.
Хорошо поработали, даже для себя кое-что интересное взял в контексте меняющейся длины окна.
появятся еще вопросы - набросайте, потом поспрашиваю после НГ
Ок, С Наступающим всех нас!)
Ок, С Наступающим всех нас!)
Взаимно :)
Не совсем понял, что вы получили из Этого разговора c GPT.
Он иногда и не про то отвечает. Вот например
В идеале, алгоритм должен получать на вход всю доступную историю, которая очевидно со временем растёт. Он сам должен определять на какие куски её нарезать и что с ними делать.
*Да, в идеале алгоритм должен быть способен работать с произвольным числом признаков
Спросили про меняющуюся длину строк, а он ответил про меняющуюся длину столбцов.
Практически длину истории можно перебирать переобучением модели. Например обучить на 1 дне, на 3, 7, на месяце, 2, ... на 1 годе, 2,3 ... какая длина истории будет хорошо предсказывать - ту и использовать.Очень важный вопрос, постоянно кручусь около него) Пускай речь просто про длину используемой истории. Нужен разумный компромисс между актуальностью и длиной для расчётов. Чем короче, тем актуальнее, но чем длиннее, тем расчёты точнее. Иногда хороший компромисс недостижим в принципе.
Тоже сильно давно задавался эти вопросом, имхо, это один из самых важных моментов чтоб работающую ТС построить. Для себя пользуюсь таким подходом - на заведомо большой истории, грубо анализирую какие-то характеристики фин. актива, нахожу координаты смены тенденций - тренда, волатильности и т. д. и затем работаю от последней точки изменения, в предположение, что данная глобальная характеристика ещё какое то время сохранится.
Не совсем понял, что вы получили из Этого разговора c GPT.
Он иногда и не про то отвечает. Вот например
Спросили про меняющуюся длину строк, а он ответил про меняющуюся длину столбцов.
Практически длину истории можно перебирать переобучением модели. Например обучить на 1 дне, на 3, 7, на месяце, 2, ... на 1 годе, 2,3 ... какая длина истории будет хорошо предсказывать - ту и использовать.Про столбцы пока речи не было вообще - до этого пока далеко. Путаница из-за отсутствия проговаривания того, что признаки - это цена (бары, ренко и тд). То есть речь о произвольной длине вектора однородных признаков. Если помимо произвольной длины вектора признаков хотеть ещё и произвольные их виды, то это уже явный перебор.
Проблема в том, что СБ вполне неплохо создаёт видимость наличия правил - проблема лишь в том что они будут разными на разных участках.
тогда если подумать, это не проблема произвольного количества признаков, это проблема инвариантности признаков в первую очередь
https://homes.esat.kuleuven.be/~tuytelaa/tutorial-ECCV06.pdfОчень важный вопрос, постоянно кручусь около него) Пускай речь просто про длину используемой истории. Нужен разумный компромисс между актуальностью и длиной для расчётов. Чем короче, тем актуальнее, но чем длиннее, тем расчёты точнее. Иногда хороший компромисс недостижим в принципе.
Нужен критерий, а он единственный - ошибка подгонки модели.
Вот картинка
Это выборка в 2000 бар, 43 переменных. Видим, что количество деревьев свыше 100 бессмысленно увеличивать. Менял размер выборки. Результат - свыше 1500 бар картинка не меняется. Это означает, что количество паттернов в моих предикторах для моего учителя около 100 штук и их все можно найти в 1500 барах истории. Далее эти паттерны повторяются.
тогда если подумать, это не проблема произвольного количества признаков, это проблема инвариантности признаков в первую очередь
https://homes.esat.kuleuven.be/~tuytelaa/tutorial-ECCV06.pdfЕсли сравнивать с распознаванием картинок, то речь примерно о том, чтобы для каждой точки найти границу объекта (блоба) в котором эта точка находится.
Проблема в том, что картинка крайне плохого качества и не вполне понятно изображено ли что на ней в действительности.
Мелкий объект выделить в таких условиях просто нереально, а большой объект будет выделяться неоднозначно.
Нужен критерий, а он единственный - ошибка подгонки модели.
Вот картинка
Это выборка в 2000 бар, 43 переменных. Видим, что количество деревьев свыше 100 бессмысленно увеличивать. Менял размер выборки. Результат - свыше 1500 бар картинка не меняется. Это означает, что количество паттернов в моих предикторах для моего учителя около 100 штук и их все можно найти в 1500 барах истории. Далее эти паттерны повторяются.
1500 баров - это же "средняя температура по больнице". Будут же моменты перелома, когда половинки истории сильно отличаются и когда лучше просто ничего не считать и не торговать.