Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3335

Новый комментарий
 

GPT научить )

Хорошо, добавим индикатор Envelopes (оболочки) в наш анализ. Индикатор Envelopes представляет собой линии, расположенные выше и ниже скользящего среднего. Обычно они находятся на фиксированном процентном расстоянии от этого скользящего среднего.

  1. Envelopes для последнего месяца (ноябрь 2023):

    • Выберем процентное расстояние от скользящего среднего.
    • Рассчитаем верхнюю и нижнюю линии Envelopes.

  2. Общий тренд с использованием RSI, Bollinger Bands и Envelopes:

    • Сравним сигналы, полученные от разных индикаторов.

Также, учтем, что сигналы от различных индикаторов могут быть конфликтными, и важно анализировать их вместе.

Давайте продолжим с расчетами и анализом.

[Удален]  
Yuriy Vasilyev #:

GPT научить )

Хорошо, добавим индикатор Envelopes (оболочки) в наш анализ. Индикатор Envelopes представляет собой линии, расположенные выше и ниже скользящего среднего. Обычно они находятся на фиксированном процентном расстоянии от этого скользящего среднего.

  1. Envelopes для последнего месяца (ноябрь 2023):

    • Выберем процентное расстояние от скользящего среднего.
    • Рассчитаем верхнюю и нижнюю линии Envelopes.

  2. Общий тренд с использованием RSI, Bollinger Bands и Envelopes:

    • Сравним сигналы, полученные от разных индикаторов.

Также, учтем, что сигналы от различных индикаторов могут быть конфликтными, и важно анализировать их вместе.

Давайте продолжим с расчетами и анализом.

А цены пробовал подать, чтобы прогноз получить? В маркете подобное вроде как практикуется, кто-то слил алгоритм, видимо 
 
Forester #:
Вы же бустнгом считаете?

Вы совершенно правы, речь идёт о CatBoost!

Forester #:
Там только первое дерево обучается по меткам исходного учителя.
Для всех остальных деревьев, учителем является ошибка предсказания, т.е. (Y - Pred).

Действительно, так следует из теории.

Forester #:
Да еще и с коэффициентом eta = 0.1...0.001

Коэффициент "скорости обучения", во всяком случае в CatBoost, фиксируется для всех деревьев.

Forester #:
Влияние листьев этих деревьев - незначительно, они лишь корректируют. Что вы и показали (их незначительность).

Вы действительно можете объяснить, как расставляются коэффициенты листьям в CatBoost?

Есть моменты, которые я плохо понимаю.

Однако, я продемонстрировал изменение "класса" в листьях, т.е. фактически 40% листьев оказалось тянут общий итог не в ту сторону на новых данных.

 
Aleksey Vyazmikin #:

Вы действительно можете объяснить, как расставляются коэффициенты листьям в CatBoost?

Хотите, чтобы я вам перекопал код катбуста и дал точный ответ? Я копаю только то, что мне интересно. Катбустом не пользуюсь.
Про коэффициенты листьям впервые слышу - что это?

Учебный и простой код буста тут https://habr.com/ru/companies/vk/articles/438562/
Пишем XGBoost с нуля — часть 2: градиентный бустинг
Пишем XGBoost с нуля — часть 2: градиентный бустинг
  • 2019.02.07
  • habr.com
Всем привет! В прошлой статье мы разбирались, как устроены решающие деревья, и с нуля реализовали алгоритм построения, попутно оптимизируя и улучшая его. В этой статье мы реализуем алгоритм градиентного бустинга и в конце создадим свой собственный XGBoost. Повествование будет идти по той же схеме: пишем алгоритм, описываем его, в заверешение...
 
Aleksey Vyazmikin #:

Сообщаю, что на отдельной выборке test - 7467, а на exam - 7177, но там есть не малое число листьев без активаций вообще - сразу не посчитал.


Так выглядит распределение сменивших класс листьев по их значению для выборки test


а это exam.

А это разбивка на классы - их три, третий "-1" - отсутствие активации.


Для выборки train


Для выборки test


Для выборки exam

В общем видно, что веса листьев больше не соответствуют логике класса - ниже график с выборки test - уже нет чёткого вектора.


В общем, аппроксимирует данный способ обучения что угодно, но вот за качество предикторов он не ручается.

Вообще, допускаю, что отчётливые "столбики" на графике выше - весьма схожие листья по месту и частоте активации.


Сложно обсуждать то, о чём не знаешь. Поэтому, могу только порадоваться за Ваши успехи. Если бы у меня был такой метод, то я бы использовал его :)

Мой метод, пока, не даёт таких качественных результатов, но он достаточно хорошо паралеллиться.

А вы не задумывались почему так происходит?

[Удален]  

Скорость тестирования экспортированной в наивный код модели (катбуст)

EURUSD,H1: total time from login to stop testing 0:00:04.143 (including 0:00:00.031 for history data synchronization)

И экспортированной в ONNX

EURUSD,H1: total time from login to stop testing 0:00:09.539 (including 0:00:00.025 for history data synchronization)

 внутрянка почти аналогичная у двух версий бота, результаты тоже

 
Forester #:
Хотите, чтобы я вам перекопал код катбуста и дал точный ответ? Я копаю только то, что мне интересно. Катбустом не пользуюсь.

Допустил, что Вы знаете, а так - нет - я не думал Вас обременять.

Forester #:
Про коэффициенты листьям впервые слышу - что это?

Значения в листьях, которые суммируются, образуя координату Y функции.

 

Больше или равно 0,5 по X означает, что класс "1" по умолчанию в CatBoost.
 
mytarmailS #:

А вы не задумывались почему так происходит?

По факту ошибочная закономерность в листе. Почему она такая -  может быть ряд причин.

Или у Вас есть конкретный однозначный ответ?

 
Maxim Dmitrievsky #:

Скорость тестирования экспортированной в наивный код модели (катбуст)

И экспортированной в ONNX

 внутрянка почти аналогичная у двух версий бота, результаты тоже

Плата за универсальность.

Жаль, что у CatBoost существенные ограничения по конвертации модели.

[Удален]  
Aleksey Vyazmikin #:

Плата за универсальность.

Жаль, что у CatBoost существенные ограничения по конвертации модели.

Начал втыкать еще в object importance, там предложена целая статья. Посмотрю что это может дать.
1...332833293330333133323333333433353336333733383339334033413342...3745
Новый комментарий