Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 98

Yeni yorum
 
Dr.Tüccar :

Deneyin ikinci kısmı -

Daha önce seçtiğim 14 tahmincim vardı, bunlara rastgele değerlerle 14 tane daha ekledim. İzin verilen maksimum ForeCA bileşeni sayısı artık 28'dir.

Her iki durumda (foreCA ile ve olmadan) eğitim verileriyle ilgili 28 bileşenin tümü ile tahmin doğruluğu %76, her iki durumda da yeni verilerde doğruluk %57'dir.

Bana göre foreCA tahmincilerdeki çöplerle baş edemedi, beklenen mucizeyi görmedim.

Harika!

iş yükümü azalttığın için teşekkür ederim

 
Diğer verilerde, öngörücülerin kovaryansının çok yüksek olması nedeniyle ForeCA örneğimin çalışmadığını fark ettim.
Bu, bu kodla çözülebilir:
 #это строки кода из примера:
targetName <- colnames(trainData)[ncol(trainData)]
predictorColnames <- colnames(trainData)[-ncol(trainData)]
#...
#это нужно добавить сразу после них:
while ( TRUE ){
        covMatrix <- cov(as.matrix(trainData[,predictorColnames]))
        covMatrixRank <- qr(covMatrix)$rank
         if (covMatrixRank == ncol(covMatrix)){
                 break
        } else {
                eigenValues <- abs(eigen(covMatrix)$values)
                 # eigenValuesLow <- order(eigenValues, decreasing= FALSE )[ 1 :(ncol(covMatrix)-covMatrixRank)]
                 # predictorColnames <- predictorColnames[-eigenValuesLow]
                eigenValuesHigh <- order(eigenValues, decreasing= TRUE )[ 1 ]
                predictorColnames <- predictorColnames[-eigenValuesHigh]
        }
}
Özdeğeri yüksek olan tahmin ediciler kovaryans matrisinden birer birer çıkarılır. Düşük özdeğere sahip tahmin edicileri çıkarmaya değer olabilir. Ama yine de uzun ve verimsiz, ama henüz nasıl daha iyi yapacağımı bilmiyorum.
 

Göstergeler neden hiç çalışmadı ve asla çalışmayacak? Benim fikrim ... Ve nasıl düzeltmeye çalışabilirim ....

biraz azim... :)

Piyasaların durağan olmadığını hepimiz çok iyi biliyoruz, ancak çoğu durumda piyasa analizi için kendim de dahil olmak üzere özellikle durağan seriler için araçlar kullanıyoruz, nedenini bilmiyorum, nedeni nedir? moda? inat? inatçılık?

Örneğin, durağan olmayan verileri analiz etmek için yerleşik algoritmalar vardır ve bunların çoğu yoktur.Bunlar gizli Markov modelleri "HMM" , "MGUA" argümanları için grup muhasebesi yöntemi ve özellikle VR için vardır. tekrarlayan sinir ağları, neden bu algoritmaları kullanmıyoruz ??? sonuçta, mantıksal olarak, bununla başlayacak ilk şey bu ... Ama hepimiz her türlü ormanı, sıradan nöronları, karoch'u kullanıyoruz. görevi genellikle farklı olan en aptal sınıflandırıcılar

Nedenmiş? Neden ben bile tüm bunları anlayarak RF eğitmeye devam ediyorum... Genel olarak yanlışımız ne... Bu konuda ne düşündüğünüzü yazın..

Şimdi göstergeler hakkında ve yine biraz inat hakkında... ;)

Piyasaların durağan olmadığını bilerek gelecekte işe yarayacak bazı gösterge parametreleri bulmaya çalışıyoruz, piyasa sürekli değişiyorsa bu nasıl mümkün olabilir? evet cevap belli! Yoksa o kadar net değil mi...

Bana öyle geliyor ki, göstergeleri uygulayarak piyasaya daha objektif olmanın bir yolu var, fikri göstermek için, spektral analiz bize yardımcı olacak, bu durumda dalgacık

w

resimde, solda bir ölçek var, üzerinde periyotlar var, yani piyasada olan periyotlar, grafikteki alan ne kadar kırmızıysa, periyot o kadar güçlüdür, en güçlü periyot siyahla belirtilmiştir. resimdeki gibi...

Lütfen kodu çalıştırana kadar daha fazla OKUMAYIN.

kod yürütüldükten sonra, kod yürütüldükten sonra ortaya çıkan tüm resimleri slaytlar gibi görüntülemek için stüdyodaki resmin üzerindeki "geri" okuna tıklayın 

install.packages( "dplR" )

hankel <- function(data, r= 10 ) {
   do .call(cbind,
          lapply( 0 :(r- 1 ),function(i) { data[(i+ 1 ):(length(data)-(r- 1 -i))]}))} #hankel matrx

price <- cumsum(rnorm( 200 ))+ 1000     ;    plot(price,t= "l" )
H.price <- hankel(price, 100 )

library (dplR)
for (i in nrow(H.price): 1 ){
  m <- morlet(y1 = H.price[i,] )
  wavelet.plot(m)
}

Piyasadaki periyotların gökyüzündeki bulutlar gibi sürekli yüzdüğünü görüyorsunuz ve şimdi piyasada sabit bir periyotla ilgisi olmadığı, ancak uyum sağlayabilirsiniz. Piyasadaki mevcut güçlü dönemi belirlerseniz ve göstergeyi tam olarak şu anda piyasada olan gerçek hedef döneme göre sürekli olarak ayarlarsanız?

bağlantılar

https://cran.r-project.org/web/packages/dplR/vignettes/timeseries-dplR.pdf

https://www.r-bloggers.com/wavelet-spectrogram-non-stationary-financial-time-series-analysis-using-r-ttrquantmoddplr-with-usdeur/

 

NS sevenler için burada

Derin Öğrenme Bölüm 1: Sembolik Derin Öğrenme Çerçevelerinin Karşılaştırılması

Deep Learning Part 1: Comparison of Symbolic Deep Learning Frameworks
Deep Learning Part 1: Comparison of Symbolic Deep Learning Frameworks
  • Joseph Rickert
  • www.r-bloggers.com
This blog series is based on my upcoming talk on re-usability of Deep Learning Models at the Hadoop+Strata World Conference in Singapore. This blog series will be in several parts – where I describe my experiences and go deep into the reasons behind my choices. Deep learning is an emerging field of research, which has its application across...
 
mytarmailS :

Göstergeler neden hiç çalışmadı ve asla çalışmayacak? Benim fikrim ... Ve nasıl düzeltmeye çalışabilirim ....

Piyasaların durağan olmadığını hepimiz çok iyi biliyoruz, ancak çoğu durumda piyasa analizi için kendim de dahil olmak üzere özellikle durağan seriler için araçlar kullanıyoruz, nedenini bilmiyorum, nedeni nedir? moda? inat? inatçılık?

Piyasaların durağan olmadığını bilerek gelecekte işe yarayacak bazı gösterge parametreleri bulmaya çalışıyoruz, piyasa sürekli değişiyorsa bu nasıl mümkün olabilir? evet cevap belli! Yoksa o kadar net değil mi...


Ve Sanych'in yazdığı gibi sınıflandırma başarısız olmayacak mı?
 
Yuri Evseenkov :
Ve Sanych'in yazdığı gibi sınıflandırma başarısız olmayacak mı?
daha detaylı konuşalım, yoksa ne tür bir sınıflandırmadan bahsettiğimizi hiç anlamadım
 
mytarmailS :
daha detaylı konuşalım, yoksa ne tür bir sınıflandırmadan bahsettiğimizi hiç anlamadım

L Evet, doktor muyum? Sanych yazdı:

"Burada, bir sonraki çubuğu tahmin ederken önceki durumu dikkate almayan, sınıflandırmaya dayalı tahminleri tartışıyoruz. Sınıflandırmaya dayalı tahminler (tahminler), kalıplara göre tahminlerdir. Ve geçmişte değişikliklere yol açan haberler varsa önceki değerlerden TAKİP ETMEYİN ( ekstrapolasyon yapılmaz), o zaman sınıflandırma böyle bir değişikliği yakalayacaktır ve gelecekte benzer bir değişiklik olursa (tam olarak aynı değil, benzer), o zaman tanınacak ve doğru bir tahmin yapılacak."

Bu yüzden şu yönde kazmaya değer olduğunu düşünüyorum: " Sınıflandırma böyle bir değişikliği yakalayacaktır ."

 
Yuri Evseenkov :

L Evet, doktor muyum? Sanych yazdı:

"Burada, bir sonraki çubuğu tahmin ederken önceki durumu dikkate almayan, sınıflandırmaya dayalı tahminleri tartışıyoruz. Sınıflandırmaya dayalı tahminler (tahminler), kalıplara göre tahminlerdir. Ve geçmişte değişikliklere yol açan haberler varsa önceki değerlerden TAKİP ETMEYİN ( ekstrapolasyon yapılmaz), o zaman sınıflandırma böyle bir değişikliği yakalayacaktır ve gelecekte benzer bir değişiklik olursa (tam olarak aynı değil, benzer), o zaman tanınacak ve doğru bir tahmin yapılacak."

Bu yüzden şu yönde kazmaya değer olduğunu düşünüyorum: " Sınıflandırma böyle bir değişikliği yakalayacaktır ."

gerçeğin deney kriteri - düşünmeyin, ama yapın

Şahsen spektral analizin daha umut verici olduğunu düşünüyorum, ama bu benim için kişisel olarak ...

 
Yuri Evseenkov :


Bu yüzden şu yönde kazmaya değer olduğunu düşünüyorum: " Sınıflandırma böyle bir değişikliği yakalayacaktır ."

Sınıflandırma, her derde deva veya kâse oluşturmak için bir araç değildir.

Bir sınıflandırma uygulamasının yaptığı ilk şey, araçları, araçların uygulanabilir olduğu problemlere uygulamaktır. Örneğin, finansal piyasalara spektral analiz uygulama fikri birçok kez tartışıldı, her şey mükemmel bir araç gibi görünüyor, ancak diğer nesneler için, ama hayır, yine sunuyorlar.

İkinci. Sınıflandırma, finansal piyasalara oldukça uygulanabilir, ancak yukarıda yazıldığı gibi burada birçok sorun var. Ancak sınıflandırırken, ana sorun ön plana çıkarılabilir - TS'yi yeniden eğitme (aşırı takma) sorunu. Daha önemli ne olabilir? En sevdiğiniz kaseye sahip olduğunuz yanılsamasını kaybetmek elbette hoş değil, ama burada bir seçenek var: mutluluk iyidir, ama gerçek daha mı iyi?

Üçüncü. Sınıflandırma, oldukça spesifik olarak şu soruyu gündeme getiriyor: Neyi tahmin ediyoruz. TA ile karşılaştırın. Göstergeler alıyoruz. Her zaman bir çubuktur [1]. Geçerli çubuk kullanılmaz. H1 ne anlama geliyor? Pazara girişi tahmin etmek için saatlik tazelik bilgilerini kullanıyoruz! Bu en iyi ihtimalle.

Sınıflandırma tamamen farklıdır. Hedef değişkenin mevcut değerini alır ve dünün ilk verileriyle karşılaştırırsınız - hedef değişkeni bir veya daha fazla çubukla kaydırırsınız. Bu tür verilere uygun bir model kullanırken, bir sonraki çubuk geldiğinde geleceği her zaman gerçekten tahmin edersiniz.

not.

Keskin piyasa hareketlerini (haberleri) tahmin etmek için kullanacaksanız, bir hedef değişken oluşturmayı başarırsanız başarılı olursunuz ve bu çok daha basit durumlarda büyük bir sorundur.

 
DAFomenko :

Örneğin, finansal piyasalara spektral analiz uygulama fikri birçok kez tartışıldı, her şey mükemmel bir araç gibi görünüyor, ancak diğer nesneler için, ama hayır, yine sunuyorlar.

????????????????????????

bir araştırmacının spektral analiz kavramı bir Wikipedia makalesi ile bitiyorsa, bunun pazar için geçerli olmadığına katılıyorum :)

1...919293949596979899100101102103104105...3399
Yeni yorum
Neden: