Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 369
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
Кстати проверил корреляцию trendlinearreg с периодами от 10 до 60 (6 штук) на графике EURUSD М1, к выходу (у меня не зигзиг, но что-то близкое).
-0.00,0.01,0.00,0.01,0.01,-0.01
корреляция от -0.01 до 0.01, т.е. ее вообще нет.
Однако ваш эксперт показывает прибыль... остается вручную размечать торговлю глядя на trendlinearre и придумывая некие правила опираясь на движения графика, по моему проще обычного эксперта написать, который будет по этим правилам работать.
Ну теперь на выход подавайте приращения этой же самой регрессии по неким правилам, со смещением, или несколько регрессий (несколько выходов).. и корреляция будет норм. И на входы побольше регрессий с разными периодами. MLP построит крутую регрессионную модель внутри себя типа garch и все будет в ажуре :) Но вообще, по хорошему, нужна более развитая нейросетка, LSTM, например.
мой показывает прибыль потому что прогоняется через оптимизатор, это грязные результаты :) можно сказать что подгонка, которая будет работать не очень долго на форварде (ну периодами будет)
Ведь на графике, кроме точек полученых от зигзага (или др. методом), еще десятки моментов/баров, когда сделки будут прибыльными. А НС пытается подстроить торговлю только под этот единственный вариант обучения.
И на примере с trendlinearreg это хорошо видно.
Мне кажется, что найти правильную разметку целевой, представляет еще большую проблему, чем найти хорошие входные данные.
Ведь на графике, кроме точек полученых от зигзага (или др. методом), еще десятки моментов/баров, когда сделки будут прибыльными. А НС пытается подстроить торговлю только под этот единственный вариант обучения.
И на примере с trendlinearreg это хорошо видно.
Поэтому НС нужно использовать как часть системы, фильтр, или ансамбль разных НС
Все МО основано на том, что входящие переменные должны коррелировать с выходной переменной.
Иначе нет смысла ВО ВСЕХ моделях МО.
Вы серьёзно заблуждаетесь. Корреляция это только ЛИНЕЙНАЯ зависимость, y = kx, даже банальный XOR датасет будет давать нулевую корреляцию отдельных фичей с таргетом, тем не менее для нелинейного классификатора легко решаемый.
Три раза прочитал ЭТО - понимаются эти обрывки с трудом....
И чё?
Я могу взять множественную регрессию, у которой один или несколько (часть) входящих переменных будут иметь корреляцию с исходящей близкую к 0 и тем не менее модель будет давать высокую точность прогноза.
И чё?
А если убрать эти переменные, то размерность задачи уменьшиться, а точность увеличиться.
И чё?
В чём смысл твоего поста?
Вопрос отбраковки "ненужных" переменных решает задачу понижения размерности модели.
Для DM ещё и увеличивает точность прогноза модели.
Для НС относительно точности - не знаю.
Три раза прочитал ЭТО - понимаются эти обрывки с трудом....
И чё?
Я могу взять множественную регрессию, у которой один или несколько (часть) входящих переменных будут иметь корреляцию с исходящей близкую к 0 и тем не менее модель будет давать высокую точность прогноза.
И чё?
А если убрать эти переменные, то размерность задачи уменьшиться, а точность увеличиться.
И чё?
В чём смысл твоего поста?
че, че... опа! никуя!...
хватит чекать мистрер, мы же не в подваротне)))
Вы сказали что фичи должны коррелировать с таргетом, те что не коррелируют можно выкинуть, я Вам говорю, что это не так, возьмите XOR и проверьте, корреляции не будет а фичи важные, потому что зависимость НЕ ЛИНЕЙНАЯ, вот и всё, корреляция ловит только линейный компонент зависимости.
че, че... опа! никуя!...
хватит чекать мистрер, мы же не в подваротне)))
Вы сказали что фичи должны коррелировать с таргетом, те что не коррелируют можно выкинуть, я Вам говорю, что это не так, возьмите XOR и проверьте, корреляции не будет а фичи важные, потому что зависимость НЕ ЛИНЕЙНАЯ, вот и всё, корреляция ловит только линейный компонент зависимости.
Приведи пример, в котором линейная корреляция будет равна 0, а нелинейная зависимость будет сильной.
Приведи пример, в котором линейная корреляция будет равна 0, а нелинейная зависимость будет сильной.
Я же сказал XOR датасет
Я же сказал XOR датасет
Есть пример?
Покажи ряды входящих и ряд исходящих данных - опубликуй