Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3404
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
Удалось запустить без ошибок - поставил на обучение модели.
Без понимания контекста, когда вижу подобные фразы, сразу начинаю думать о зависимости от времени суток. Чем ниже (начиная с H1) таймфрейм, тем слабее прослеживается на приращениях.
Извините за реплику. К вам отношусь с уважением.
Время затраченное на качественное изучение рыночных отношений примерно равно времени качественного обучения программированию + время изучения темы применения.
ОФФТОП
Я заментил что спустя время после публикации сообщения , я потом не могу его отредактировать, просто пропадает кнопка "правка". Eто какое то нововведение или у меня что то глючит?
ОФФТОП
Я заментил что спустя время после публикации сообщения , я потом не могу его отредактировать, просто пропадает кнопка "правка". Єто какое то нововведение или у меня что то глючит?
Сократилось время изменения постов. Значительно. Надо сразу правильно выражать мысли.
Вот результаты - первый в серии график - ребалансировка, второй - отсев линейных признаков, а третий - без ничего.
Выборка train:
Выборка test:
Выборка exam (ср. знач: 2551, 3117, 2866):
Получается, что только отсев линейных признаков дал какой то результат по улучшению среднего значения фин результатов модели.
Даже не смотря на относительно низкую вероятность выбрать убыточную стратегию, такой разброс фин результата удручает.
В то же время, знаю, что можно получить и лучше результаты максимальные с выборки - вот один из вариантов - обучения на листьях модели (без отбора моделей):
Вот результаты -
Ниего не понятно.. Объясни нормально словами, что помогло что нет, что лучше что хуже и что лучше всего
Ниего не понятно.. Объясни нормально словами, что помогло что нет, что лучше что хуже и что лучше всего
Ну, лучше слов тут говорят графики - если кратко - то особого эффекта улучшения нет (относительно оригинала), но в то же время "отсев линейных признаков" показал себя лучше, если измерять средним значением баланса моделей на независимой выборке. В то же время балансировка и отсев abess смогли выделить значимые предикторы, на которых можно уже строить модель - можно считать, что костяк. Возможно, стоит в цикле сделать десяток балансировок, и вытащить все получившиеся предикторы.
Очевидно одно, методы эти хоть и быстры, но далеки от оптимума.
Ну, лучше слов тут говорят графики - если кратко - то особого эффекта улучшения нет (относительно оригинала), но в то же время "отсев линейных признаков" показал себя лучше, если измерять средним значением баланса моделей на независимой выборке. В то же время балансировка и отсев abess смогли выделить значимые предикторы, на которых можно уже строить модель - можно считать, что костяк. Возможно, стоит в цикле сделать десяток балансировок, и вытащить все получившиеся предикторы.
Ну чтобы графики говорили лучше слов не плохо было бы оъяснить что они вообще значат, что на них , как считалось итд..
Очевидно одно, методы эти хоть и быстры, но далеки от оптимума.
Что значит далеки от оптимума?
Вот взять отбор линейно зависимых признаков, суть метода выкинуть те признаки которые по сути дублируют другие.
У тебя было 2410 признаков , после отбора осталось 500 , модель работает так же или даже лучше , метод сработал на 100%
В чем тут далекость от оптимума?
Такое впечатление что ты до сих пор не понял что делал вообще.
Ну чтобы графики говорили лучше слов не плохо было бы оъяснить что они вообще значат, что на них , как считалось итд..
Тут я уже писал, что это фин результат 100 обученных моделей CatBoost. Модели с разными значениями seed - а так одинаковые гиперпараметры.
Вот взять отбор линейно зависимых признаков, суть метода выкинуть те признаки которые по сути дублируют другие.
У тебя было 2410 признаков , после отбора осталось 500 , модель работает так же или даже лучше , метод сработал на 100%
В чем тут далекость от оптимума?
Методов разных много. И смысл в предложенном методе есть, что показали тесты.
Однако, используя другой подход, можно получить потенциально результат лучше, в подтверждение привёл график.
Вообще же, я считаю, что по одной выборке не совсем корректно делать окончательные выводы.
Такое впечатление что ты до сих пор не понял что делал вообще.
Это признак мании величия :)))
Это признак мании величия :)))
Алексей,
ты противопоставляешь очищение выборки от лишних признаков и метод по улучшнеию качества классификации.
Это разные задачи как классификация и кластеризация как теплое и мягкое.
И если ты это делаешь, а ты это делаешь то это не моя мания величия , нееееет))))
Это ты откровенно тупишь, без обид
Но за эксперимент спасибо