Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3702
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
))
Да, для классификации вероятностный подход конечно не даёт ничего нового. Только для регрессии, когда выходом будет не числовое значение, а его распределение.
Имхо, этот подход неплохо ложится на метод, когда ищутся отклонения распределения выхода от того что должно быть при СБ.
Ну, в теории хотя бы) На практике нас всех ждёт завод, конечно)
Да, оно стремно как-то работает в плане поиска чего-то через МО (классификацию или регрессию). Слишком много переменных и модели слишком сложные, все время дают разные результаты.
Кластаризация или HMM больше нравятся.
Почему то у меня (версия 5100) так:
Оказывается, отложили, а в документации осталось.
Ну теперь точно будем доделывать.
Добрый день всем,
Я знаю, что на форуме есть любители машинного обучения и статистики. Предлагаю обсудить в этой теме (без холиваров), поделиться и пополнить собственный банк знаний в этой интересной области.
Для начинающих и не только есть хороший теоретический ресурс на русском языке: https: //www.machinelearning.ru/.
Небольшой обзор литературы по методам отбора информативных признаков: https://habrahabr.ru/post/264915/.
Я предлагаю проблему номер один. Ее решение я опубликую позже. СанСаныч ее уже видел, прошу не подсказывать ответ.
Введение: для того чтобы построить торговый алгоритм, необходимо знать, какие факторы будут основой для прогнозирования цены, или тренда, или направления открытия сделки. Выбор таких факторов - задача не из легких, и она бесконечно сложна.
Во вложении архив с искусственным набором данных csv, который я сделал.
Данные содержат 20 переменных с префиксом input_, и одну крайнюю правую переменную output.
Выходная переменная зависит от некоторого подмножества входных переменных(подмножество может содержать от 1 до 20 входных переменных).
Задача: с помощью любых методов (машинного обучения) выбрать входные переменные, по которым можно определить состояние выходной переменной на имеющихся данных.
Решение можно выложить здесь в виде: input_2, input_19, input_5 (пример). А также можно описать найденную зависимость между входными и выходными переменными.
Кто сможет это сделать, молодец ) От меня готовое решение и объяснение.
Алексей
Вау! Спасибо за это!
Есть вариант нагенерить разных рыночных режимов
А колдун какие признаки использовал для кластеризации? Рассказывал?
А колдун какие признаки использовал для кластеризации? Рассказывал?
нет
а это область (солнечная активность и влияние) которую прогнозами и моделями заездили буквально всю..
опять нешмголи
Есть вариант нагенерить разных рыночных режимов, которые неплохо работают на новых данных, залить в кодобазу в виде onnx. Затем можно использовать для оптимизации любых ТС на выбранных режимах рынка. Мне кажется, что такой подход может залететь. От юзеров ничего не надо, кроме простой проверки на наличие конкретного режима. Остальная логика своя.
нет
Имхо, взлетит если на рынке точно есть режимы, которые (а) чётко определяются и (б) живут достаточно долго после того как определены.
Ну живут-то они долго, это же просто диапазоны по какому-то признаку. Сами ТС на них нужно переоптимизировать периодически.