Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2791

[Aleksei Kuznetsov]

mytarmailS #:

Bence ortalamayı yükseltmek kötü bir fikir, çok kötü bir fikir...

Özellikle ilgisiz satırlar, bu şekilde çalışması gerekiyor, dağlar. Satır

Tahmin edilen 100 çizgiden hangisini kullanmalıyız? Ortalama en belirgin çözümdür.

[mytarmailS]

elibrarius #:
Peki tahmin edilen 100 çizgiden hangisinde tahmin yapılmalı? Ortalama en belirgin çözümdür.

Diyelim ki 50 tahmin yukarı 50 tahmin aşağı, ortalaması alındı, yatay bir tahmin elde edildi, ne olmuş yani?)))

[Aleksei Kuznetsov]

mytarmailS #:
Diyelim ki 50 tahmin yukarı 50 tahmin aşağı, ortalaması alındı, yatay bir tahmin elde edildi, ne olmuş yani?)))

ve hepsi bu... Seçenekleriniz neler?

[mytarmailS]

elibrarius #:
ve hepsi bu. Seçenekleriniz neler?

Yukarıda önerdiğim gibi

[Aleksei Kuznetsov]

elibrarius #:
Ve tahmin edilen 100 çizgiden hangisi üzerinde tahminde bulunmalı?

Bir öneri görmedim)

[[Silindi]]

"Bilgilendirici" işaretlemenin bir çeşidi, bir kalem testi:

def labeling_entropy(dataset, min_Mi = 0.1, min=15, max=15):
    labels = []
    MIs = []
    for i in range(max, dataset.shape[0]-max*2):
        rand = random.randint(min, max)
        curr_pr = dataset['close'][i]
        future_pr = dataset['close'][i + rand]
        full_pr = dataset[i-rand:i+rand]

        mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand], full_pr[full_pr.columns[0]].iloc[rand:rand*2])
        MIs.append(mi.mean())

        if future_pr + MARKUP < curr_pr and mi.mean() > min_Mi:
            labels.append(1.0)
        elif future_pr - MARKUP > curr_pr and mi.mean() > min_Mi:
            labels.append(0.0)
        else:
            labels.append(2.0)
    
    dataset = dataset.iloc[max:]
    dataset = dataset.iloc[:len(labels)].copy()
    dataset['labels'] = labels
    return dataset.dropna(), MIs

Makalelerimde olduğu gibi bir dizi işaret alır ve etiketleri işaretleriz, ancak bir işlem açmadan önce işaret kümesinin n dizeleri ile gelecekteki fiyatların n dizeleri arasındaki karşılıklı bilgiyi (regresyon türü) dikkate alırız.

Karşılıklı bilgi eşiğin altındaysa, işlem yapılmayacak olarak işaretleriz.

daha sonra 2019'dan başlayarak sinyaller ve işlem yapma/yapmama üzerine 2 model eğittik

Res:

Bu yaklaşımla pek bir şey kazanılmadı

[mytarmailS]

elibrarius #:
Öneriyi görmedim)

Yazımı tekrar okuyun, son resim.

Hala diyor ki

[[Silindi]]

Yapılacak en mantıklı şey diğer seçenekleri denemekti:

mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand], full_pr[full_pr.columns[0]].iloc[0:rand]) сравниваем фичи и цены в момент предсказания
mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand*2], full_pr[full_pr.columns[0]].iloc[0:rand*2]) сравниваем на глубину предсказания вперед + назад
mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[rand:rand*2], full_pr[full_pr.columns[0]].iloc[rand:rand*2]) только вперед
mi = mutual_info_regression(full_pr.iloc[0:rand], full_pr[full_pr.columns[0]].iloc[rand:rand*2])текущие цены и фичи в момент предсказания VS будущие цены

tüm seçenekler hiçbir şey üretmiyor

[Aleksei Kuznetsov]

mytarmailS #:
Yazımı tekrar okuyun, son resmi.

Hala yazıyor

İlk 25 çubukta sadece 2 varyant vardı. Ve 2 hata küçük bir hatadır.
Ve bu, gözünüze çarpan binlerce grafikten sadece 1 varyanttır. Diğerlerinde durum farklı olacaktır. Bir strateji oluşturmanız (formüle etmediğiniz) ve yeni verilerdeki denge çizgisini izlemeniz gerekir (Maxim fikrini sonuna kadar getirdi ve her şey bir anda netleşti).

[[Silindi]]

Aynı şeyi bir yıldan fazla bir süre önce kümeleme ile yaptım, daha sonra resimlerdeki gibi ortalama seviyeleri belirledim ve bunlardan sipariş verdim. Yukarı, aşağı, ortalama geri dönüş olmak üzere 3 kümeye ayrılmıştır. Eğitimde harika çalışıyor.

İşin komik yanı, hangi özel aracı kullanırsanız kullanın, rastgele bir şeyden iyi bir şey elde edemezsiniz