程序库: RL 算法 - 页 4

新评论
 
mov:

可能是敲开了一扇敞开的门，但由于原版没有...

建议在转换到 [0,1] 范围之前进行预处理：

1. 去除周期性，我是在 periodicityArrays() 中进行的--从范围中减去一个月中由星期 和小时组成的剖面图（不过我只对试验中的小时时间框架进行了处理）。

2.按照建议在 linearTrendArrays() 中删除线性趋势 a[i]=a[i]-a[i+1]。

3.这里应该是自相关性检查（尚未实现）


经过 1 次和 2 次操作后，可预测性明显提高。代码附后。

感谢您的辛勤工作，我今天到明天一定会好好研究一下。

关于移除线性趋势--它使用了增量，例如在 RF 递归中就是这样做的。但使用的是私人价格，而不是差价，而且增量是以不同的滞后期枚举的。也就是说，输入只是价格，然后通过选择最佳增量进行预处理（一般来说，这被称为顺序趋势选择，在文献中，这种操作不是字面意义上的，但它是一种类似的操作）。您使用的是单滞后增量，也就是说，实质上所有的长期信息都丢失了。主要趋势仍然需要在市场中以某种方式加以考虑。此外，许多有关 BP 预测的资料都明确指出，必须考虑线性趋势，甚至只是时间依赖性。在预测伪静态过程和预测时间序列时，机器学习人员在变量的规范化和标准化方面有些困惑。他们开始采用对 BP 预测问题无效的方法。在时间序列预测中，趋势几乎是最重要的：)也许不把线性趋势本身作为输入，而是把选定周期的统计特征（分布矩）作为输入是有意义的，但我还没有试过。

for(int bf=0;bf<features;bf++) {  
     for(int bf2=bf+1;bf2<features;bf2++) {               
      for(int i=0;i<RDFpolicyMatrix.Size();i++) {   
        m[i].Set(0,RDFpolicyMatrix[i][bf]/RDFpolicyMatrix[i][bf2]);         
        m[i].Set(1,RDFpolicyMatrix[i][features]);   
        m[i].Set(2,RDFpolicyMatrix[i][features+1]); 
       }         
      CDForest::DFBuildRandomDecisionForest(m,RDFpolicyMatrix.Size(),1,2,trees,r,RDFinfo,mRDF,mRep);         
      ArrayResize(models1,ArraySize(models1)/3+1);
      models1[modelCounterInitial][0] = mRep.m_oobavgce;   
      models1[modelCounterInitial][1] = bf; 
      models1[modelCounterInitial][2] = bf2;   
      modelCounterInitial++;                     
     }  
    }

关于周期性，我不太明白。

与基本版本相比，我没发现 OOS 有什么大的改进

 

Maxim Dmitrievsky:

机器学习人员在预测伪静态过程和预测时间序列时，对变量的规范化和标准化有些困惑。他们开始采用对 BP 预测问题无效的方法。在时间序列预测中，趋势几乎是最重要的：)也许不把线性趋势本身作为输入，而是把选定周期的统计特征（分布矩）作为输入是有意义的，但我还没有试过。

关于周期性，我不太明白。

与基本版本相比，我并没有发现 OOS 有什么大的改进。

去除周期性和线性趋势的方法摘自：Orlov, Osminin Non-stationarytime series Forecasting methods with examples of analyses of financial and commodity markets。数据准备的 3 个点被全部提取。也许这是对书中算法的要求，但我改进了结果。

让我解释一下我是如何测试的。取一年的数据，向后移动一个月。训练模型。我在最后一个月（不包括在训练中）测试模型。也许一个月是不够的，但我认为模型应该在未来一段时间内有效。超过一个月就没有意义了，因为在此期间模型会过度优化。采用这种方法，最初几天的盈利能力对我来说很重要（主观评估--需要重新优化的时间段）。使用以前的变体，我可以在 1-1.5 周内实现+交易，然后开始下滑。使用上述预处理后，我可以实现 2-2.5 周的+。这就是我所说的可预测性的提高。也许我的方法在统计学上不太正确，但在我看来是实用的。这种方法稳定运行 2 周后，就可以在实际交易中使用，一周后再重新优化。当然，最后一段时间将用于训练（无偏差）。

 
mov:

去除周期性和线性趋势摘自：Orlov, Osminin 非稳态时间序列预测方法，附金融和商品市场分析实例。数据准备的 3 个点被全部提取。也许这是对书中讨论的算法的要求，但我对结果进行了改进。

让我解释一下我是如何测试的。取一年的数据，后移一个月。训练模型。我在最后一个月（不包括在训练中）测试模型。也许一个月是不够的，但我认为模型应该在未来一段时间内有效。超过一个月就没有意义了，因为在此期间模型会过度优化。采用这种方法，最初几天的盈利对我来说很重要（主观评价--需要重新优化的时间段）。使用以前的变体，我可以在 1-1.5 周内实现+交易，然后开始下滑。使用上述预处理后，我可以提前 2-2.5 周实现+。这就是我所说的可预测性的提高。也许我的方法在统计学上不太正确，但在我看来是实用的。这种方法稳定运行 2 周后，就可以在实际交易中使用，一周后再重新优化。当然，最后一段时间将用于交易训练（无偏差）。

谢谢，我会看看的。诚然，我有点困惑，不知道给模型提供信息的最佳方式是什么。多重转换让它陷入了荒野，完全不直观。

目前，我正在探索线性模型在这种方法中的适用性。

s.s. 你有电子版吗？

 

Maxim Dmitrievsky:

s.s. 你没有电子版？

很遗憾是纸质的。这是一本专著，我没有在网上找到，但有相关的原创科学文章（搜索<族名>非稳态序列），明天我会试着拍摄关于金融市场的章节。

 
mov:

不幸的是论文。这是一本专著，我在网上没有找到，但有相关的原创科学文章（搜索 <族名> 非平稳序列），明天我将尝试拍摄关于金融市场的章节。

我想知道他们到底是怎么看的，其他的我都懂。

 
算法在 6.4.2 节，链接指向 5.2.1 结尾。为了以防万一，我做了两章的全部内容，很抱歉没有对扫描件进行处理，但工作中几乎没有空闲时间（扫描仪也在工作）。
附加的文件：
im65-6.zip  1452 kb
 
mov:
算法在 6.4.2 节，链接指向 5.2.1 结尾。为了以防万一，我做了两章的全部内容，很抱歉没有对扫描件进行处理，但工作中几乎没有空闲时间（扫描仪也在工作）。

谢谢！开始阅读

 
Maxim Dmitrievsky:

谢谢！开始阅读

Gaidyshev Data Analysis and Processing Special Reference 2001.网上有 pdf，我只能附上 djvu（文件大小 受限）。
 
Олег:
Gaidyshev Data Analysis and Processing Special Reference 2001. Ch6 methods of dimensionality reduction（该书用 C 语言编写的示例很不错）。网上有 pdf 版，我只能附上 djvu 版（文件大小有限制）。

是的，PCA 是解决问题 的方法之一，你可以尝试一下。我在一个简单的测试例子中试过--至少没有变得更糟，至于是否更好我还不确定。

 
Олег:
Gaidyshev Data Analysis and Processing Special Reference 2001. Ch6 methods of dimensionality reduction（该书用 C 语言编写的示例很不错）。网上有 pdf 版，我只能附上 djvu 版（文件大小受限）。

https://www.mql5.com/ru/forum/86386/page1189#comment_9795331

Машинное обучение в трейдинге: теория и практика (торговля и не только)
Машинное обучение в трейдинге: теория и практика (торговля и не только)
  • 2018.12.06
  • www.mql5.com
Добрый день всем, Знаю, что есть на форуме энтузиасты machine learning и статистики...
12345
新评论