Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1744
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
Bir keresinde size bu paketi göstermiştim, MT4 için bir komut dosyası yapmanızı istediğimde hatırlayın, nnfor paketinden bir nöron orada eğitilmişti ve hedef TSrepr'den PIP - Algısal Olarak Önemli Noktalar (repr_pip) idi :)
Vladimir! Size birkaç sorum var, izin verirseniz...
1) Söylesene, zikzak yönünün, diyelim ki Eurodollar saatlik saatin sınıflandırılmasında elde edebileceğiniz maksimum hata nedir? Ve aynı anda noisefilter kullandın mı?
2) Eğitimin kalitesi, makalelerinizde tanımladığınız tahmin edicilerin "örneklenmesini" kötüleştiriyor mu?
3) En düşük seviyede bir tür meta öğrenme yapmayı denemek istiyorum, fikrin özü şudur:
p1. ormanı verilerle eğitelim
p2. ormanın ürettiği tüm kuralları çıkarır ve onları yeni öngörücüler olarak sunarız, her kural bir öngörücüdür, 500-1000 kural olacaktır. Tahminciler "seyrek" çıkıyor ama ne yapmalı (
s.3 Tahmincilerin kuralları üzerine yeni bir model yetiştiriyoruz ...
Fikir
1) tahmin edicilerin sayısını artırın
2) daha karmaşık ve derin kurallar elde edildiğinde, bu kurallar hiyerarşik olarak daha karmaşıktır
3) Forest, tüm kuralların (ağaçların) tahminlerinin toplamı olarak bir tahmin veriyor, bana öyle geliyor ki, kuralların toplamını değil, kuralları ayrı ayrı düşünürsek, sınıf etiketlerini daha iyi ayırabiliriz, bu mümkün kuralların bazı benzersiz kombinasyonlarını vb. bulmak için.
Ve soru şu: Az önce yazdığım şey normal degrade artırma değil mi?
4) Ayrıca satl , fatl , vb. kullandığınız spektral göstergeleri nereden edinebilirsiniz .
1. Bu hikayeyi paketle hatırlıyorum. Umut verici paket.
2. ELM topluluğu ile en iyi sonuç - Acc=0.8+-0.1. Gürültü örneklerinin işlenmesi zorunludur. Sadece gürültü filtresi ile gerçekleştirilemez. Doğruluk, bir araç için en önemli kalite göstergesi değildir. Görevlerimiz için, belirli bir süre için çubuk başına ortalama ödülün maksimum değerine sahip olmak daha önemlidir.
3. Ayrıklaştırma, aykırı değer sorununu ortadan kaldırır, tahmin edicilerin hedefle olan ilişkisini daha doğrusal hale getirir. Ancak sınıflandırma kalitesinde henüz önemli bir gelişme alamadım. Bu yönde kazmaya devam ediyorum. Birçok yeni teknik ortaya çıktı.
4. Neden basit bir ormanda sıkışıp kaldığınızı anlamıyorum. Şimdi bu bölge çok uzaklara sürülüyor. Düzinelerce yeni RF varyantı ortaya çıktı. Son egzotik ve hala nemli olan gensemble. Düğümleri yalnızca bir karar ağacı değil, herhangi bir model olabilen bir orman.
Hazır çözümleri deneyin, tekerleği yeniden icat etmenize gerek yok, hazır olanları iyi kullanmayı öğrenmek daha iyidir.
Şimdi Python entegrasyon paketinin MT5 ile uygulanmasıyla ilgileniyorum. Çok kötü, R ile entegre olmayı bıraktılar.
İyi şanlar
2. ELM topluluğu ile en iyi sonuç - Acc=0.8+-0.1. Gürültü örneklerinin işlenmesi zorunludur. Sadece gürültü filtresi ile gerçekleştirilemez.
Bakın, işte xgboost'un sonucu
zikzak, sınıflandırma, saat başı, gürültü örneklerini silmeden , tahmin ediciler (pca ve göstergeler), veri hazırlığı yok, hepsi bir arada ve git
OOS'ta hata
Yani ağaçlar da fena değil ama yine de gürültüyü kaldırırsanız...
Doğruluk, bir araç için en önemli kalite göstergesi değildir. Görevlerimiz için, belirli bir süre için çubuk başına ortalama ödülün maksimum değerine sahip olmak daha önemlidir.
Bu nasıl bir hedef değişken olarak ifade edilebilir?
3. Ayrıklaştırma, aykırı değer sorununu ortadan kaldırır, tahmin edicilerin hedefle olan ilişkisini daha doğrusal hale getirir. Ancak sınıflandırma kalitesinde henüz önemli bir gelişme alamadım. Bu yönde kazmaya devam ediyorum. Birçok yeni teknik ortaya çıktı.
Ana şey, herhangi bir bozulma olmamasıdır, kişisel olarak, tercihen bilgi kaybı olmadan kategorik verilere dönüştürmek için ayrıklaştırmaya ihtiyacım var. Kuralları oluşturmak için tekrar ihtiyacınız olan tek şey bu
4. Neden basit bir ormanda sıkışıp kaldığınızı anlamıyorum.
Genel olarak belirleyici kurallara takıldım.. Anladığım kadarıyla model araştırmacıyla ilgileniyorsunuz, ancak ruhum sürecin kendisinin çalışmasında yatıyor ve burada yorumlanabilirliğe ihtiyaç var.
Piyasayla ilgili olarak sizin ve (diğerlerinin %99,9'u) yaptığınız "standart öğrenme"de bir kusur var.
"Standart eğitim" ile, verilerin bir matris biçiminde sunulduğunu (bir satır, sınıf etiketine sahip bir eğitim kümesidir) kastediyorum ve bu model bir matris satırından başka bir şey görmüyor.
Piyasanın bir olay modeli olduğunu hayal edersek ve öyle olduğundan eminim, o zaman belirli bir durumu simüle edelim.
olay 1 ise olay 2 ise olay 3 o zaman Y == 1
Bu kuralı gördüğünüz gibi))) (kurallara takılmamın bir başka cevabı da bu)
Ya olay 1 birkaç gün önce oldu ve olay 2 dün olduysa?
Ya olay 1 hem bir hafta önce hem de 5 dakika önce gerçekleşebilirse, bunlar normal değil ve bu nedenle her olayda asıl mesele, olayların doğru sırada gerçekleşmesidir.
Veriler kayan pencere yöntemi kullanılarak oluşturulan bir matris biçiminde olduğunda hiçbir AMO bu kalıpları asla bulamaz.
Yani bahsettiğim şey bu ama.. Düzenli olmayan bir zaman aralığında meydana gelen kalıpları nasıl arayabilirsin?
İşte bu soruları cevaplamaya çalışması gereken bir şey bulma girişimlerim
birliktelik kurallarını ara - arules paketi
Y'nin ilişkili olduğu bu tür kuralları bulmak mümkündür ve bu kuralların hangi sırayla gerçekleştiği önemli değildir.
kural arules sırasının ilişkisel dizilerini arayın
Y'nin ilişkili olduğu bu tür kuralları bulabilirsiniz, ancak bu kuralların sırası verilir.
TraMineR Dizisi Derin Analizi ve Kümeleme
SDEFSR kurallarının genetik üretimi
Paketin özü Y'nin tahmini değildir, ancak bunu açıklamak için algoritma, Y'nin görünmesi için eğitim matrisinde hangi olayların gerçekleşmesi gerektiğini açıklamaya çalışır.
Teoride tüm bu yaklaşımlar, mevcut tahmin yeteneklerimizin potansiyelini büyük ölçüde genişletmelidir.
Ve gördüğünüz gibi, hepsi mantıksal kurallara dayanıyor)
İlginç konu. Matematikçi olmamama ve makine öğreniminden uzak olmama rağmen sorunu görüyorum. Ve nasıl çözüleceğini biliyorum. Piyasanın ne zaman hareket etmeye başlayacağı, ne zaman başlayacağı, ne zaman başlayıp ne zaman biteceği ve bu hareketten para kazanmanın mümkün olup olmadığı net değilse, kendi kendine öğrenen bir sistem oluşturmak mümkün değildir. . Çalışan bir model oluşturmak, yani karlı bir sistem oluşturmak gerekir. Ve ondan başlayarak, sistemi karşılaştırmak ve geliştirmek için bir algoritma belirleyin. Bu rotaya gittim ve basit bir algoritma oluşturdum, ancak manuel ticaret için. İlginç bir şekilde, hesap nasıl 1000 kat artırılır konusuna bakın. https://www.mql5.com/ru/forum/330313
dalın yarısına baktı ve meselenin ne olduğunu anlamadı)
dalın yarısına baktı ve meselenin ne olduğunu anlamadı)
tek bir koşunun özü, topluluktan farklı bir olasılığa sahiptir ve herhangi bir şey olabilir.
dalın yarısına baktı ve meselenin ne olduğunu anlamadı)
Her şey basit. Tüm pazarı anlamaya çalışmayın. Ve tüm pazarda bu kalıpları aramak için robota güvenmeyin. Pazarın sadece küçük bir kısmını alın. Ve robotun yalnızca pazarın benzer bölümlerinde kalıp aramasına güvenin. Veya bu kalıpları kendiniz bulun. Piyasada kazanma olasılığının kaybetmekten çok daha fazla olduğu durumlar vardır. Bu nedenle, piyasaya girmemenin daha iyi olduğu durumlar vardır. Ve bu durumların çoğu. Bu nedenle, piyasanın yalnızca bu bölümünü alın ve diğer tüm hareketleri görmezden gelin ve bir ticaret algoritması oluşturun.
dalın yarısına baktı ve meselenin ne olduğunu anlamadı)
Yarım kitap okuyup hiçbir şey anlamamak gibi. Bazıları faturalarını yüzlerce kez artırmayı başardı ve ben defalarca onları onlarca kez artırmayı başardım ve bir yazar bir konuya 1000 kat artırmayı başardığını yazdı. Yani piyasada kalıplar var. Bunlar, çalışmanız gereken kurallardır. https://www.mql5.com/ru/forum/330313
Her şey basit. Tüm pazarı anlamaya çalışmayın. Ve tüm pazarda bu kalıpları aramak için robota güvenmeyin. Pazarın sadece küçük bir kısmını alın . Ve robotun yalnızca pazarın benzer bölümlerinde kalıp aramasına güvenin. Veya bu kalıpları kendiniz bulun. Piyasada kazanma olasılığının kaybetmekten çok daha fazla olduğu durumlar vardır. Bu nedenle, piyasaya girmemenin daha iyi olduğu durumlar vardır. Ve bu durumların çoğu. Bu nedenle, piyasanın yalnızca bu bölümünü alın ve diğer tüm hareketleri görmezden gelin ve bir ticaret algoritması oluşturun.
Burada yaptığımız şey bu, ama farklı bir düzeyde...
İşte örnek bir algoritma - karar ağacı veya tasarım ağacı
Bu ne ?
Bu mantıklı bir kuraldır, bunun belirli bir alanın, pazarın bir bölümünün tahsisi olduğunu düşünebilirsiniz veya bunun, pazarın bu belirli alanı için bir mikro ticaret sistemi olduğunu düşünebilirsiniz. Sonra daha da ileri gidiyoruz ve bu tür birçok kural (mikrosistemler) ekliyoruz, bazen binlercesini bir arada, bu zaten orman algoritması olacak
Her şey basit. Tüm pazarı anlamaya çalışmayın. Ve tüm pazarda bu kalıpları aramak için robota güvenmeyin. Pazarın sadece küçük bir kısmını alın. Ve robotun yalnızca pazarın benzer bölümlerinde kalıp aramasına güvenin . Veya bu kalıpları kendiniz bulun. Piyasada kazanma olasılığının kaybetmekten çok daha fazla olduğu durumlar vardır. Bu nedenle, piyasaya girmemenin daha iyi olduğu durumlar vardır. Ve bu durumların çoğu. Bu nedenle, piyasanın yalnızca bu bölümünü alın ve diğer tüm hareketleri görmezden gelin ve bir ticaret algoritması oluşturun.
Yarım kitap okuyup hiçbir şey anlamamak gibi. Bazıları faturalarını yüzlerce kez artırmayı başardı ve ben defalarca onları onlarca kez artırmayı başardım ve bir yazar bir konuya 1000 kat artırmayı başardığını yazdı. Yani piyasada kalıplar var. Bunlar, çalışmanız gereken kurallardır. https://www.mql5.com/ru/forum/330313
Baktım ve anlamadım çünkü net bir eylem algoritması görmedim ve net bir tane görmedim, hiç görmedim, sadece içinde% 1000 olan resimler ve yazılar