Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3022
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
Это легко автоматизируется и работает без человеческого вмешательства
подобный алгоритм показал в посл. статье.
По сути это фильтрация ошибок модели и вынесение их в отдельный класс "не торговать", лучше через вторую модель, которая учится отделять зерна от плевел
а в первой модели остаются только зерна
То же самое что с правилами дерева, только вид сбоку. Но правила надо грабить все и сопоставлять друг с другом, а там на выходе уже рафинированная ТС
Выше обосновывал, что нельзя отбрасывать ошибки модели.
Хотелось бы поменять свое мнение.
Но для этого надо.
Оценка исходной модели на обучающей выборе и вне ее
Оценка "очищенной" модели вне обучающей выборе, которая НЕ совпадает с двумя предыдущими
Можно?
Выше обосновывал, что нельзя отбрасывать ошибки модели.
Хотелось бы поменять свое мнение.
Но для этого надо.
Оценка исходной модели на обучающей выборе и вне ее
Оценка "очищенной" модели вне обучающей выборе, которая НЕ совпадает с двумя предыдущими
Можно?
выше добавил пару скринов
алгоритмы отделения зерна от плевел таким образом могут быть разными, показываю как у меня получается
слева от пунктирной линии ООС, который никак не участвует в обучении
обучение на простых признаках типа приращений
желтая кривая - это сам график котировок, на него не смотрите. Но с его помощью можно понять, в каких ситуациях модель работает лучше/хужеесли сразу выбрасывать много ошибок, то учитель вырождается (может остаться много ошибок и ноль зерен), поэтому выбрасываются постепенно на каждой итерации
и ошибка на ООС снижается постепенно, в данном случае увеличивается r^2
по сути это аналог bestinterval от fxsaber'а, только здесь сразу приготовление ТСВроде все перечислили. Это книга Джереми Ховарда, основателя Kaggle и фреймвока fast.ai.
Fast.ai
Книга в оригинале
Книга на русском
Бесплатная версия
если сразу выбрасывать много ошибок, то учитель вырождается (может остаться много ошибок и ноль зерен), поэтому выбрасываются постепенно на каждой итерации
и ошибка на ООС снижается постепенно, в данном случае увеличивается r^2
по сути это аналог bestinterval от fxsaber'а, только здесь сразу приготовление ТСПо мне идет сверх подгонка к котировке.
Где "Вне выборки"?
По мне идет сверх подгонка к котировке.
Где "Вне выборки"?
это уже не смешно
предлагаю на питоне сделать шляпку эту с деревом с выбором листьев, в колабе, сможете подсовывать туда датасеты свои
если есть идеи сразу что лучше/хуже, правила только лучшие брать или через какие-то фильтры, предлагайте
хочу сравнить, прогнав один датасет через оба подхода. Тогда и поймем ху из ху :)
Это легко автоматизируется и работает без человеческого вмешательства
подобный алгоритм показал в посл. статье.
По сути это фильтрация ошибок модели и вынесение их в отдельный класс "не торговать", лучше через вторую модель, которая учится отделять зерна от плевел
а в первой модели остаются только зерна
То же самое что с правилами дерева, только вид сбоку. Но правила надо грабить все и сопоставлять друг с другом, а там на выходе уже рафинированная ТС
Например, первая итерация отбора зерен от плевел (слева от вертикального пунктира - ООС):
А вот уже 10-я:
Да, смысл один - работа в конечном счете с данными, которые лучше описывают предикторы.
Как это сделать наиболее эффективно - вопрос пока открытый - у каждого метода есть плюсы и минусы.
Вроде все перечислили. Это книга Джереми Ховарда, основателя Kaggle и фреймвока fast.ai.
Fast.ai
Книга в оригинале
Книга на русском
Бесплатная версия
Спасибо! Надо будет бесплатную на русском поискать - переводчик порой перлы лепит и впаривает мне про рассол, который может быть полезен :)