Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 31
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
Yuri, verileriniz üzerindeki ilk test:
Eğitim için iki farklı parametre değeri seti. Çapraz doğrulamada AUC'nin kaidenin altında olması dikkat çekicidir.
Genel olarak, testte %51.5'lik bir doğruluk elde ettiğimiz en iyisidir.
%60'a nasıl ulaştığını bile bilmiyorum.
Evet, bu tahmin edicileri atmanız gerekiyor.
Her şeyde aptalca artışlar alırsanız, birkaç osilatör toplamda 5000'den fazla gözlemle 100'den fazla tahmin edicidir, yani. H1, daha sonra böyle bir kümeden, sadece% 40'tan daha az bir tahmin hatası vermeyecek, aynı zamanda en önemlisi, AŞIRI OLMAYAN bir model verecek olan 10-15 tahminci seçmek mümkün olacaktır.
Evet, bu tahmin edicileri atmanız gerekiyor.
Her şeyde aptalca artışlar alırsanız, birkaç osilatör toplamda 5000'den fazla gözlemle 100'den fazla tahmin edicidir, yani. H1, daha sonra böyle bir kümeden, sadece% 40'tan daha az bir tahmin hatası vermeyecek, aynı zamanda en önemlisi, AŞIRI OLMAYAN bir model verecek olan 10-15 tahminci seçmek mümkün olacaktır.
Genel olarak, %51,5 sınıflandırma doğruluğundan daha iyi bir sonuç elde edemedim. Buna göre, metriklerin geri kalanı da rastgele tahmine yakın olacaktır.
Testteki cevapların dengesi neredeyse mükemmel 50/50.
Yuri, açıklamalarını bekliyorum.
Genel olarak, %51,5 sınıflandırma doğruluğundan daha iyi bir sonuç elde edemedim. Buna göre, metriklerin geri kalanı da rastgele tahmine yakın olacaktır.
Testteki cevapların dengesi neredeyse mükemmel 50/50.
Yuri, açıklamalarını bekliyorum.
hiçbir şey saklamam. Sonuçlarını yukarıda belirttiğim eski sürüm için, tüm bilgiler kamuya açıktır:
İkili sınıflandırıcı oluşturma yönteminin açıklaması: https://sites.google.com/site/libvmr/
Yorumlu Java kaynakları: https://sourceforge.net/p/libvmr/code/HEAD/tree/trunk/
Montajlar: https://sourceforge.net/projects/libvmr/files/
Yuri, teşekkürler.
Küme lineer olarak ayrılabilir ise, potansiyel ayırıcı hiperdüzlemlerin sayısı sonsuzdur. Bu durumda, yeterli bir hiperdüzlem belirlemek için bazı kriterler bulmak gerekir. Bu kriterlerden biri kitaptaki destek vektör makinesi için formüle edilmiştir: Vapnik VN, Chervonenkis A. Ya. Theory of Pattern Recognition. M.: Nauka, 1974. Daha doğrusu, bu kitap birçok farklı kriteri tartışıyor.
Hem SVM hem de VMR, destek vektör makineleridir.
Yöntemlerden hangisinin daha iyi veya daha kötü olduğu, uzun süre tartışılabilir. Ancak, genelleme yeteneğini alıp kontrol edebilirsiniz ve sonra her şey yerine oturacaktır.
Küme lineer olarak ayrılabilir ise, potansiyel ayırıcı hiperdüzlemlerin sayısı sonsuzdur. Bu durumda, yeterli bir hiperdüzlem belirlemek için bazı kriterler bulmak gerekir. Bu kriterlerden biri kitaptaki destek vektör makinesi için formüle edilmiştir: Vapnik VN, Chervonenkis A. Ya. Theory of Pattern Recognition. M.: Nauka, 1974. Daha doğrusu, bu kitap birçok farklı kriteri tartışıyor.
Hem SVM hem de VMR, destek vektör makineleridir.
Yöntemlerden hangisinin daha iyi veya daha kötü olduğu, uzun süre tartışılabilir. Ancak, genelleme yeteneğini alıp kontrol edebilirsiniz ve sonra her şey yerine oturacaktır.
Sorunlar ortaya çıktıkça çözülmelidir ve arabayı (modeli) atın (tahminciler) önüne koymak kesinlikle boş bir alıştırmadır. Ve dahası, arabaları, içlerinde nelerin koşumlandığı ve koşumlarının olup olmadığı bilinmediğinde karşılaştırmak için.
Herhangi bir model türünü uygulamadan önce, tahmin ediciler listesi gürültüden arındırılmalı ve yalnızca hedef değişkenle "ilişkisi" olan tahmin ediciler bırakılmalıdır. Bu yapılmazsa, Satürn'ün halkalarına, kahve telvesine ve birkaç yüz yıldır pratikte yaygın olarak kullanılan diğer tahmin edicilere dayalı bina modellerine kolayca geçilebilir.
Dr. Trader'ın Üstünde tahmin edicilerinden gürültüyü kaldırma işini yapmaya çalıştı.
Sonuç olumsuz.
Olumsuz sonucun nedeninin, çok sayıda tahmin ediciye sahip az sayıda gözlem olduğuna inanıyorum. Ancak HERHANGİ bir modeli uygulamadan önce kazmanız gereken yön budur.
Küme lineer olarak ayrılabilir ise, potansiyel ayırıcı hiperdüzlemlerin sayısı sonsuzdur. Bu durumda, yeterli bir hiperdüzlem belirlemek için bazı kriterler bulmak gerekir. Bu kriterlerden biri kitaptaki destek vektör makinesi için formüle edilmiştir: Vapnik VN, Chervonenkis A. Ya. Theory of Pattern Recognition. M.: Nauka, 1974. Daha doğrusu, bu kitap birçok farklı kriteri tartışıyor.
Hem SVM hem de VMR, destek vektör makineleridir.
Yöntemlerden hangisinin daha iyi veya daha kötü olduğu, uzun süre tartışılabilir. Ancak, genelleme yeteneğini alıp kontrol edebilirsiniz ve sonra her şey yerine oturacaktır.
R ihtiyacınız olan her şeye sahiptir. fTrading::sharpRatio'ya bakın.
Evet ve PerformanceAnalytics bakmayı engellemez.
İyi şanlar