Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 819
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
1: numune boyutuna karar verin, numuneniz çok küçük
2. basit sınıflandırma / regresyon modellerini (doğrusal) inceleyin, büyük olasılıkla size uyacaktır ve hata büyükse, daha karmaşık (doğrusal olmayan) olanlara geçmeyi deneyebilirsiniz
3. Asla hiçbir tavsiyeyi dinleme, özellikle R'ye geç :))) onları bu forumdan atmanın zamanı geldi
4. Sorun makine öğrenmesi olmadan çözülebilirse, kullanmamak daha iyidir
1. Evet, bu sadece bir örnek, örneklem gerçekte büyük elbette.
2. Teşekkürler, elbette basit bir taneyle başlamak daha iyi - Sanırım bu, madencilik tarihi açısından gelişimimde yeni bir aşama.
3. MQL'deki alternatifleri bilmek güzel olurdu...
4. Şimdilik, ticaret üzerindeki etkilerinin derecesine göre işaretleri (kalıpları) kümeleme olasılığını arıyorum. Korkarım ki TS'mi uydurma yönünde geliştirmeye başladım ve sonra halüsinasyonlarımdan kurtulmak için piyasa davranışı işaretleri şeklinde fikirler biriktirmek istiyorum.
1. Evet, bu sadece bir örnek, örneklem gerçekte büyük elbette.
2. Teşekkürler, elbette basit bir taneyle başlamak daha iyi - Sanırım bu, madencilik tarihi açısından gelişimimde yeni bir aşama.
3. MQL'deki alternatifleri bilmek güzel olurdu...
4. Şimdilik, ticaret üzerindeki etkilerinin derecesine göre işaretleri (kalıpları) kümeleme olasılığını arıyorum. Korkarım ki TS'mi uydurma yönünde geliştirmeye başladım ve sonra halüsinasyonlarımdan kurtulmak için piyasa davranışı işaretleri şeklinde fikirler biriktirmek istiyorum.
http://alglib.sources.ru/dataanalysis/
tüm bunlar mql'de mevcuttur (terminalin standart teslimatıyla birlikte gelir)
kümeleme için basit k-araçlarını kullanabilirsiniz
ve plakanız için lojistik regresyonu deneyebilirsiniz (Youtube ne olduğu ve nasıl kullanılacağı videolarla doludur) (çoklu logit regresyon), 0 veya 1 durumunuzda olduğu gibi sadece sınıflara ayırmanın temelidir. ayrıca sınıflara ayrılan, ancak daha karmaşık (doğrusal olmayan) çok katmanlı algılayıcı
sıradan bir karar ağacı pek uygun değildir, bir orman kullanmak daha iyidir, farklı şekillerde bölünmüş birçok ağaçtan oluşurlar (örneğin, 1. bölüm olarak 1. değişken değil, 3. bölüm olarak kullanılacaktır), daha sonra tüm ağaçların sonuçlarının ortalaması alınır ve daha doğru ve istikrarlı bir tahmin elde edilir. Ancak görevin esasen doğrusal olduğu ortaya çıkarsa, iskele çalışmayacaktır, bir lojistikçi kullanmak daha iyidir. 1 gizli katmana sahip regresyon veya algılayıcı. Bu nedenle, en basit doğrusal modellerle başlamanız ve sonuç size uygunsa daha fazla seğirmemeniz önerilir.
haftanın günlerinin etkisine bakmak istersem, günü işaretlemek için farklı giriş parametreleri yapmak benim için daha mı iyi yoksa 1'den 5'e kadar bir parametre atamak yeterli mi?).
Orman, değerleri karşılaştırmak için "büyüktür" veya "küçüktür" işlemlerini kullanarak bir kural oluşturur.
1,2,3,4,5 değerleri olması durumunda - örneğin, yalnızca Çarşamba günü çalışan bir kural oluşturmanız gerekiyorsa, iki dal alacaktır - "Perşembeden küçük" ve "şundan büyük" Salı".
Bunlar, işaretleme ile farklı parametreler ise, bir karşılaştırma yeterlidir (işaretleme sıfırdan büyüktür).
Bir kural oluşturmak için ne kadar az dal gerekiyorsa, model o kadar basit ve o kadar iyi.
Bunu ve bunu birlikte yapın. 1,2,3,4,5 değerlerine sahip bir sütun. Ve işaretli 5 sütun daha.
Ve eğer cevap biliniyorsa, örneğimde olduğu gibi, ancak daha karmaşık görevler için, verimlilik için farklı algoritmaları bile karşılaştırdı mı?
Sizinki gibi verileri tahmin etmeye sınıflandırma denir, bu, istenen cevabın sadece birkaç değer, hatta sayı değil, kavramlar ("anlaşmadan çık", "dönüş" vb.) olabileceği zamandır.
Nöronlar ve güçlendirme bunu iyi yapar, bu tür veriler üzerinde eğitilebilirler ve daha sonra yeni verileri tahmin etmek için kullanılabilirler.
Amacınızın verilerinizden en değerli bilgileri çıkarmak ve okunabilir bir kurallar dizisi elde etmek olduğunu anlıyorum. O zaman nöron çalışmaz, nörondan kural ve bilgi çıkarmak o kadar kolay değildir.
Orman birçok çözüm, birçok ağaç (formül) sunar ve nihai cevap, her formülün kendi cevabını verdiği ve sonunda en popüler olanın seçileceği oylama ile belirlenir. Ancak böyle bir kural yığınını yorumlamak çok zor, yukarıda eklediğim gibi birçok resim olacak, her biri kendi cevabını verecek ve sonuç en sık görülen şey.
Bir ağaç, karmaşık durumlarda - grafikte onlarca/yüzlerce dal ile yukarıdaki gibi bir resim verecektir. Ama öte yandan tüm bunlar resimdeki dalları takip ederek kolayca yorumlanabilir ve tekrarlanabilir.
Birçok model var, belirli bir görevde sizin için daha uygun olanı seçin.
MQL'deki Alglib de hepsini yapabilir. Ama elverişsiz, her seferinde en ufak değişiklikle scripti derleyip çalıştırmanız, sonucu beklemeniz gerekecek.
R veya Python, hata olması durumunda, önceki kod satırını değiştirerek basitçe yeniden çalıştırmanıza izin verir. Komut dosyası çalışırken oluşturulan tüm nesneler bellekte kalır ve onlarla çalışmaya devam edebilir, yeni kod satırları çalıştırarak tahminde bulunabilirsiniz. En ufak bir değişiklikten sonra tüm betiği yeniden çalıştırmaya gerek kalmadan mql'de olduğu gibi.
Ve aralıkta %70 kesinlik ile tahmin yapmak çok az şey yapar. Yapması çok zor değil, ama yine de bir anlamı yok.
%50 doğruluğun gerçekten pek bir şey vermediğine dair %70 kesinlik, ancak %70 doğruluk bir peri masalı veya karışık hedefler kullananlar için bir hatadır, %70 doğrulukta SharpRatio> 30, bu ultra HFT için bile harika
Yüzüncü kez:
1. Veri Yönetimi gereklidir. sadece hedef değişkeni ETKİLEYEN tahmin edicilerin seçimiyle başlamak zorunludur. Ve sonra tüm veri madenciliği
2. İki model vardır:
3. Modelleri mümkün olduğunda çapraz doğrulama ile eğitin
4. Eğitim dosyası dışında model değerlendirmesi
5. Test cihazında çalıştırın
Ve yüzüncü kez: TÜM AŞAMALAR ZORUNLUDUR!
Bütün bunları yaptıktan sonra, deponun hemen birleşmeyeceği varsayımı yapmak mümkün olacak!
Devam edin çocuklar! Forumda oyalanmayı bırakın ve büyük bir sevinçle, belirlenmiş planı R'de uyguluyoruz.
Üçlü Yaşasın!
Evet her şey narmul, şaka yapıyorum, tıpkı sizin gibi, insanları ZZ'yi amaç olarak kullanmaya kışkırtıyorum, sadece saftım ve sinsi planlarınızı hemen anlamadım :)
Evet her şey narmul, şaka yapıyorum, ben de sizin gibi insanların ZZ'yi amaç olarak kullanması için kampanya yürütüyorum, sadece saftım ve sinsi planlarınızı hemen anlamadım :)
Yine açıklığa kavuşturmak zorundayım: ZZ için kampanya yapmıyorum - trend ticaret sistemleri için bu çok açık.
Ve hedef ve hedefe yönelik tahminciler - tüm bunlar son derece zor ve çok maliyetlidir. Ve modeli almak oldukça kolaydır. Bazı türlerin kategorik olarak hedef ve tahmin edicileri için uygun olmadığı, başka bir türün ise uygun olduğu görülür. genel olarak, her zaman bir düzine veya iki model denemeniz gerekir.
%50 doğruluğun gerçekten pek bir şey vermediğine dair %70 kesinlik, ancak %70 doğruluk bir peri masalı veya karışık hedefler kullananlar için bir hatadır, %70 doğrulukta SharpRatio> 30, bu ultra HFT için bile harika
Anlamayanlar için tekrar söylüyorum. %70 gerçektir. Zaman aralığının %70'i için, haklı bir tahminde bulunabiliriz.
Böyle bir tahminin yararsızlığı sorunu farklıdır. Gerçekleşen bu tahminlerin %70'inden yalnızca dörtte biri veya daha azı, bir ticarete girmek için gerçekten uygundur, yani aralığın yalnızca ~ %17'si. Ancak, tahminin nerede doğrulandığı önceden bilinmediği ve kalan %30'un bize hem başarısız işlemlerin hem de kaçırılan "doğru" işlemlerin önemli bir bölümünü verdiği göz önüne alındığında, güvenilir bir tahminin %70'ini gerçekleştirmek mümkün değildir.
Evet her şey narmul, şaka yapıyorum, ben de sizin gibi insanların ZZ'yi amaç olarak kullanması için kampanya yürütüyorum, sadece saftım ve sinsi planlarınızı hemen anlamadım :)
Sinsi, viral plan "33-01" birkaç yıl önce bir arada geliştirildi.
gizli laboratuvarlardan. Fa sadece onun taşıyıcısı olarak hareket etti. Hey Alyoşa...