交易中的机器学习：理论、模型、实践和算法交易 - 页 401

新评论
 
elibrarius。
我希望这不是手动编译的？它是否以某种方式在循环？手动操作，这将需要几个小时......


在一个循环中，是的。

N_INPUTS <- 10

outputfile <- "rnn_10.mq5"

cat("double RNN(\n",paste(" double p",1:N_INPUTS, sep="", collapse = ",\n"),"){\n", sep="", file = outputfile)
cat("   double probability = \n", file = outputfile, append = TRUE)
i <- 0
while(i < 2^N_INPUTS){
  binary <- tail(rev(as.integer(intToBits(i))), N_INPUTS)
  cat("      ", file = outputfile, append = TRUE)
  for(j in 1:N_INPUTS){
    cat("(", file = outputfile, append = TRUE)
    if(binary[j] == 0){
      cat("1.0 - ", file = outputfile, append = TRUE)
    }
    cat("p",j,") * ", sep="", file = outputfile, append = TRUE)
  }
  cat("x", i, sep="", file = outputfile, append = TRUE)
  if(i!=(2^N_INPUTS-1)){
    cat(" +", file = outputfile, append = TRUE)
  }else{
    cat(";", file = outputfile, append = TRUE)
  }
  cat("\n", file = outputfile, append = TRUE)
  i <- i+1
}
cat("\n    probability=probability/100.0;\n", file = outputfile, append = TRUE)
cat("\n    return(probability);\n", file = outputfile, append = TRUE)
cat("}", file = outputfile, append = TRUE)
 
有点离题，但是否有可能在GPU???? 上运行JAVA？
 
Mihail Marchukajtes:
有点偏离主题，还是那句话，是否可以在GPU???? 上运行JAVA？

我想问一个更广泛的问题，谁能够在GPU上重写mql5上的一切:)
 
马克西姆-德米特里耶夫斯基。

我想问一个更广泛的问题，谁能够在GPU上重写mql5上的一切:)

只是在改写的过程中可能会遗漏或犯错，否则我至少需要在GPU上运行，然后可以附加一些辅助处理器。或通过互联网网结合处理器的力量。因此，这项任务并非微不足道。将核心数量增加到约20-30个，并建立模型....。只是....
 
Mihail Marchukajtes:

只是在改写的过程中，你可能会错过一些东西或犯错，否则你必须在GPU上运行，至少，在那里你已经可以附加一些辅助处理器。或通过互联网网结合处理器的力量。因此，这项任务并非微不足道。将核心数量增加到约20-30个，并建立模型....。只是....


问题是，你迟早还是会想要这样一个用于MT的库，因为它将开启更多的可能性，比如自动训练，减少大杂烩，减少头痛。或者至少是作为一个dll。

而对于Java中的这个，你只需租一个多核服务器一个小时，就可以完成你所需要的一切，因为分配给线程的工作已经在那里实现了......所以是否值得呢，额外的工作

就个人而言，即使我不会重写它，我也会为它捐钱（为mql5版本）。

 
马克西姆-德米特里耶夫斯基。


问题是，你迟早还是会想要这样一个用于MT的库，因为它将开辟更多的可能性，比如自动训练，更少的大杂烩，更少的头痛。或者至少是作为一个dll。

而对于java上的这个问题，你只需要租一个多核服务器一个小时，就可以完成你所需要的一切，因为线程分布已经在那里实现了......所以，这值得吗，额外的工作


我曾经考虑过为这个案子租房的方案，但我的手一直没有动过，但我们会看到....。
 
马克西姆-德米特里耶夫斯基。

雷舍托夫。

VS 两类决策森林和逻辑回归。

雷舍托夫以压倒性优势赢得了这场比赛。

某种Reshetov粉丝俱乐部...(看在上帝的份上笑一笑))你也应该为买入和卖出以及1000个筹码各取一分......

事实上，它是一个干净的配合。对于这样的采样步骤，需要的训练样本不是3个月，而是至少5年，当你每天有一百万个点时，即使是超HFT的3个月也是不够的。而且没有必要重新发明轮子，简单的XGB加上正确的功能集就能得到准最佳的结果。

 
阿利奥沙。

某种Reshetov粉丝俱乐部...(看在上帝的份上笑一笑))你还应该为买卖和1000个功能各拿一分......

事实上，它是一个干净的配合。对于这样的采样步骤，需要的训练样本不是3个月，而是至少5年，当你每天有一百万个点时，即使是超HFT的3个月也是不够的。而且，没有必要重新发明轮子，平庸的XGB加上正确的功能设置，就可以得到准最佳的结果。


不，我们不是粉丝，我们只是在寻找最佳的）对于XFT来说，3个月是绰绰有余的。什么是琐碎的XGB？ 天真的贝叶斯主义者只知道：)

即使适合，其他模型也做不到，不管我怎么转。

 
交易员博士。

最好将预测因素的重要性定义如下

library(vtreat)

sourceTable <- read.table("BuySell.csv", sep=";", header = TRUE, stringsAsFactors = FALSE)

#Эта  строка кода относится только к конкретно этому файлу.
#В  этом csv первая колонка и первая строка специально заполнены для конкретной модели, и тут не нужны. Удалить.
#для  обычных csv файлов такую команду выполнять не нужно.
sourceTable <- sourceTable[-1,-1]

#число колонок
sourceTable_ncol <- ncol(sourceTable)

#Оценка  для классификации, только для двух классов.
#Outcometarget  должен быть равен значению одного из классов.
#На  выбор или эта функция designTreatmentsC, или designTreatmentsN, или designTreatmentsZ (ниже, закоменчены)
#Взаимная  корреляция предкиторов учитывается только в designTreatmentsC, и у повторяющихся или похожих предикторов оценка будет понижаться
set.seed(0)
treats <- designTreatmentsC(dframe = sourceTable,
                            varlist = colnames(sourceTable)[-sourceTable_ncol],
                            outcomename = colnames(sourceTable)[sourceTable_ncol],
                            outcometarget = 1,
                            verbose = FALSE
)

# #оценка  для регрессии или если больше двух классов
#  sourceTable[,sourceTable_ncol] <- as.numeric(sourceTable[,sourceTable_ncol])
#  set.seed(0)
#  treats <- designTreatmentsN(dframe = sourceTable,
#                              varlist = colnames(sourceTable)[-sourceTable_ncol],
#                              outcomename = colnames(sourceTable)[sourceTable_ncol],
#                              verbose = FALSE
# )

# #Оценка  предикторов без учёта цели.
#  set.seed(0)
#  treats <- designTreatmentsZ(dframe = sourceTable,
#                              varlist = colnames(sourceTable)[-sourceTable_ncol],
#                              verbose = FALSE
# )
# 




#табличка  только с названием колонки и её оценкой важности
resultTable <- treats$scoreFrame[,c("varName", "sig")]

#сортировка
 resultTable <- resultTable[order(resultTable$sig),]

#согласно  общему правилу, оценка предиктора (sig) должна быть меньше 1/<общее число предикторов>
#чем  оценка меньше, тем лучше
resultTable$testPassed <- resultTable$sig < 1/(sourceTable_ncol-1)

#для  создания модели и прогноза лучше использовать только те предкторы у которых testPassed == TRUE
resultTable

按照我的理解，相互之间有高度关联的预测因子会被淘汰。
我的做法有点不同--我计算完整的相关矩阵，然后从第一个开始检查与它的相关性，如果它高于0.9（参数可调），我就放弃它。该方法在关于MO的文章中进行了描述。

你似乎有很多预测器没有被选中...看来，你的函数在0.5的水平上消除了


 
马克西姆-德米特里耶夫斯基。


不，我们不是粉丝，我们只是在寻找最佳的）在3个月的时间里，对于hft来说是绰绰有余的。什么是平庸的XGB？ 天真的贝叶斯主义者只知道：)

即使适合，其他模型也做不到，因为我没有扭曲它们。

XGB - https://en.wikipedia.org/wiki/Xgboost - 机器学习的融合武器。"平庸"，因为它是最受欢迎的。

对于一个完整的模拟周期来说，3个月的时间是不够的，因为模型需要在不同的市场、模式变化、闪光屋顶和不同的天鹅上进行测试，合成压力测试不能像真实市场那样做。最终的模型在大多数情况下将使用不超过前一周的数据，但为了配置它，你将需要在1-3年的样本上运行它，以确保它不会到处乱来。在3个月内，数据可以被训练，如果数据科学家知道他们的东西，它将变成一个普通的割草机，但有一天，也许在3个月内，也许在半年内，一切都可以突然打破，因为 "未知 "的原因，或者说是已知的，因为模型没有面对这样的元市场条件，变得不相关。

1...394395396397398399400401402403404405406407408...3399
新评论