Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 397
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
Есть у меня укороченная версия, это сет результат которого выложил чуть выше.
Но опять же он у меня оптимизировался почти сутки.
Результаты оценки важности получились такие. Чем выше в табличке предиктор, тем лучше. Тест прошли только VVolum6, VDel1, VVolum9, VQST10.
В rattle можно построить сразу 6 моделей на этих 4 предикторах, и SVM показывает точность около 55% на валидационных и тестовых данных. Неплохо.
А можно получить исходный файл? Хочу сравнить этот результат с моим подходом.
Результат 55% очень плохой на этих 6 предикторах
А можно получить исходный файл? Хочу сравнить этот результат с моим подходом.
Результат 55% очень плохой на этих 6 предикторах
Но опять же он у меня оптимизировался почти сутки.
эээ... не, надо че-нибудь минут на 15 :) я тогда половину предикторов удалю
Признаюсь честно даже и не знаю как там всё устроено. Я так думаю следующим образом. Выборка делится на 2 части тестовую и тренировочную. Одна сетка учится на одном участке, а тестируется на втором. Другая наоборот учится на втором, а течстируется на первом, потом результат складывается и вычисляется общий результат, как то так ИМХО
это методика относится к любому маш. обучению.
М.б. Максим в теме?
А Классификаторе Решетова и в той проге по прежнему - не сеть, а один нейрон? Или они там объединены в сеть Решетовскх нейронов?
Но хочу обратится ко всем. В большом сете нету данных начиная с 05.29. Тоесть вы его можете обучать по полному и получить модель, потом можно будет загрузить модель в МКУЛЬ и посмотреть как она отработает на этих двух неделях. Вот это и будет показателем результативности модели. Другими словами та модель что наберёт больше с минимальной просадкой та и выиграет. Я укороченный сет оптимизировал и модель отработала вот так
Давайте посмотрим как ВАШИ модели отработают на этом участке????
эээ... не, надо че-нибудь минут на 15 :) я тогда половину предикторов удалю
Ну тогда оставь del,vdel,volun,vvolum.
это методика относится к любому маш. обучению.
М.б. Максим в теме?
А я же ссыль скидывал на его сайт, там описание модели. Я не знаю как охарактеризовать даже, написано ядерная машина + Векторная машина. Там все сложнее чем в мт5 версии + обучение с оппонентом а не подбор весов в оптимизаторе, но на выходе все те же веса для каждого из предикторов.
Ну а теперь давайте немного помечтаем и представим что у нас есть машина со 100 ядрами для оптимизации и мы запустили полный датасет с 452 строками и полным набором столбцов и за примлемое время оптимизатор нам посчитал всё, какова будет модель????
Ну во первых входных переменных будет более 10-12 и размер полинома будет достаточно великим. Это о чем говорит. ЧТо модель многопараметрическая, которая учитывает множество факторов рынка (что в принципе актуально потому как прогнозировать рынок на основании одной машки это просто смешно (как пример)) Длинна полинома будет говорит о том что модель очень гибкая. В итоге такая модель проработает долго с должным уровнем качества, когда кривая баланса направленна вверх под углом 45 градусов без резких скачков и впадин. Ну разве не мечта????
А по поводу большого сета скажу что там собран весь фьючерсный контрак июньский. Другими словами обучи модель на этих данных и добейся хорошего результата на обучении и тесте и эта модель будет работать всю оставшуюся жизнь, потому как она выучила весь фьючерсный контракт. Следующий контракт будет точно таким же с точки зрения взаимосвязи между выходом и входами ИМХО. Этакая форма грааля, котрая хоть и работает с ошибками, но достаточно долго. А если обучить сеть на годовых данных, с должным уровнем качества, то считай рынок для сетки будет познан. Как то так....
Ну да. Там только старая версия и основной подход. Но как показала практика подход с двумя сетками увеличивает обобщающую способность значительно. Результатом работы оптимизатора является вот такой файл. Тут видно две сетки и для каждой сетки своя нормализация, а потом идёт объёдинение результатов в самом конце.
Так то Решетов нормальный продукт сделал, зря вы его хаяли если честно......
Посмотрел файл, там 8 коэффициентов вводятся это 23 т.е. там нейрон для работы с 3-мя входами. Полагаю, что сутками ваша прога считает, какие 3 входа из 100 подать на этот нейрон. Я то думал там нейрон расширен хотя бы до 10 входов...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);