Around September of 2016 I wrote two articles on using Python for accessing, visualizing, and evaluating trading strategies (see part 1 and part 2). These have been my most popular posts, up until I published my article on learning programming languages (featuring my dad’s story as a programmer), and has been translated into both Russian (which...
분류 모델을 훈련시키려면 클래스 "1"의 훈련 예제의 수가 클래스 "2"의 훈련 예제의 수와 일치하도록 클래스 수의 균형을 맞춰야 한다는 표시가 있습니다(그리고 불필요한 예제는 제거)
일부 회귀 모델 에 대한 유사한 요구 사항을 발견했지만 여기에서 더 복잡합니다. 목표가 0.001인 예제의 수는 목표가 -0.001인 훈련 예제의 수와 일치해야 합니다. 대상이 0.002인 예제의 수는 대상이 -0.002인 예제의 수와 일치해야 합니다.
이 밸런싱을 수행하는 스크립트는 다음과 같습니다.
#Подготовка таблички для обучения модели, тут рандомные значения
#таргет в колонке 11
trainTable <- cbind(matrix(runif( 10000 ), nrow = 1000 , ncol= 10 ),
round (sample(c(-runif( 480 )*runif( 480 ), runif( 520 )*runif( 520 ))* 0.1 ), 3 )) #рандомные значения для таргета, 3 знака после запятой.
#Позитивных значений на 40 больше чем негативных имитируя тренд в исходных ценах.
#Требуется взять для обучения модели только такие строки таблицы когда число позитивных и негативных значений будет равно и отбалансировано по уровням
target <- trainTable[, 11 ]
target <- round (target, 3 ) #округление до определённой точности, тут 3 знака после запятой
targetFactor <- factor(target)
targetFactorLevels <- as .numeric(levels(targetFactor))
balancedIndexes <- c()
for (i in 1 :length(targetFactorLevels)){
idx <- which(target == targetFactorLevels[i])
idxN <- which(target == -targetFactorLevels[i])
minLength <- min(length(idx), length(idxN))
balancedIndexes <- c(balancedIndexes, tail(idx, minLength), tail(idxN, minLength))
}
balancedIndexes <- sort(unique(balancedIndexes))
trainTableBalanced <- trainTable[balancedIndexes, ] #новая табличка на которой можно обучать модель
데이터가 가장 빈번한 금융 시계열의 전형인 높은 변동성과 격차를 보일 때 예측은 훨씬 더 어려워집니다. 고주파 환율 데이터를 사용하여 높은 변동성과 갭에 강력한 웨이블릿이 높은 변동성이 평가 점수, 영역 예측 또는 둘 다에 영향을 미치는 지배적인 기능인 고주파 응용 프로그램에서 유용한 예측 변수임을 보여줍니다. 결과는 시계열을 동종 구성 요소로 분해한 다음 시계열 예측 모델에 사용하는 것이 매우 중요함을 나타냅니다. 변동성 체제와 관련된 다양한 데이터에 대해 다른 구성요소가 다른 구성요소보다 더 유용해집니다. 우리는 환율 이득의 고주파 시리즈를 예측하기 위해 광범위한 선형 및 비선형 시계열 모델을 고려합니다. 우리의 결과는 데이터가 변동성이 높은 비표준 기능을 표시할 때 비선형 모델이 선형 대안을 능가함을 나타냅니다. 그러나 데이터가 추정치와 예측치 모두에 대해 낮은 변동성 범위에 있는 경우 웨이블릿을 통해 데이터에서 노이즈를 제거하려면 상당한 노력이 필요하지만 단순한 선형 자기회귀 모델이 우세합니다.
분류 모델을 훈련시키려면 클래스 "1"의 훈련 예제의 수가 클래스 "2"의 훈련 예제의 수와 일치하도록 클래스 수의 균형을 맞춰야 한다는 표시가 있습니다(그리고 불필요한 예제는 제거)
일부 회귀 모델에 대한 유사한 요구 사항을 발견했지만 여기서는 더 복잡합니다. 목표가 0.001인 예제의 수는 목표가 -0.001인 훈련 예제의 수와 일치해야 합니다. 대상이 0.002인 예제 수는 대상 -0.002 등의 예제 수와 일치해야 합니다.
이 밸런싱을 수행하는 스크립트는 다음과 같습니다.
이것은 본질적으로 무엇을 의미합니까? 달러가 몇 달 동안 연속적으로 성장했다면(추세가 있음) 훈련 예제의 수를 균등화하여 지금까지 플랫이 있었던 것처럼 NN을 표시할 것입니다. 그리고 그녀는 그에 따라 플랫에서 배울 것입니다. 맞나요? 트렌드에 대해 똑같이 배우게 놔둘까요?
OHLC -> Buy/Sell (7000 bar) 모델에 따른 분류 문제의 네트워크 [64 GRU + 32 GRU + 2 Dense]는 ~24번의 훈련 실행에서 0.9 - 0.8의 정확도를 제공합니다. 이 모든 것이 30초 안에 이루어집니다.
사인과 아웃에 무엇이 있습니까?
"OpenHighLowClose -> 매수/매도"
업데이트: 매수/매도 신호가 이미 이 스레드에 게시되었습니다.
그리고 거래에서 이러한 결과는 어떻습니까? 예치금의 성장률(%/월/년)은 얼마입니까? 7,000바가 아니라 100,000바에서 훈련한다면?
무역은 결실을 맺지 못했습니다. 자동화로 바쁘다.
또한 신경망 모델을 선택하는 과정이 상당히 까다롭습니다. 계층의 활성화 함수 유형, 오류 함수, 훈련 방법 및 출력의 올바른 사전 준비는 물론 ML의 여러 뉘앙스를 고려해야 합니다. 모든 훈련은 [-1;1] 범위에서 각 신호를 매우 빠르게 0으로 줄일 수 있습니다.
따라서 결과를 공유하는 데 서두르지 않습니다.
L2 정규화 공식이 필요합니다. 그녀를 찾을 수 없습니다. 누군가가 도움이 될 것입니다.
https://www.mathworks.com/matlabcentral/answers/65580-what-mean-l2-norm
https://www.tensorflow.org/api_docs/python/tf/nn/l2_normalize
https://rorasa.wordpress.com/2012/05/13/l0-norm-l1-norm-l2-norm-l-infinity-norm/
고맙습니다. 정확히 무엇이 필요합니다.
누가 R을 이해합니까? quantmod 를 통해 따옴표를 다운로드하는 첫 번째 예의 버그, 받은 따옴표를 그릴 수 없습니다
https://www.r-bloggers.com/an-introduction-to-stock-market-data-analysis-with-r-part-1/
누가 R을 이해합니까? quantmod 를 통해 따옴표를 다운로드하는 첫 번째 예의 버그, 받은 따옴표를 그릴 수 없습니다
기사에서 코드를 실행했는데 모든 것이 처음으로 작동했습니다.
버전 R 3.4.2이지만 특별히 중요하다고 생각하지 않습니다.
분류 모델을 훈련시키려면 클래스 "1"의 훈련 예제의 수가 클래스 "2"의 훈련 예제의 수와 일치하도록 클래스 수의 균형을 맞춰야 한다는 표시가 있습니다(그리고 불필요한 예제는 제거)
일부 회귀 모델 에 대한 유사한 요구 사항을 발견했지만 여기에서 더 복잡합니다. 목표가 0.001인 예제의 수는 목표가 -0.001인 훈련 예제의 수와 일치해야 합니다.
대상이 0.002인 예제의 수는 대상이 -0.002인 예제의 수와 일치해야 합니다.
이 밸런싱을 수행하는 스크립트는 다음과 같습니다.
웨이블릿은 언제 유용한 예측가입니까?
데이터가 가장 빈번한 금융 시계열의 전형인 높은 변동성과 격차를 보일 때 예측은 훨씬 더 어려워집니다. 고주파 환율 데이터를 사용하여 높은 변동성과 갭에 강력한 웨이블릿이 높은 변동성이 평가 점수, 영역 예측 또는 둘 다에 영향을 미치는 지배적인 기능인 고주파 응용 프로그램에서 유용한 예측 변수임을 보여줍니다. 결과는 시계열을 동종 구성 요소로 분해한 다음 시계열 예측 모델에 사용하는 것이 매우 중요함을 나타냅니다. 변동성 체제와 관련된 다양한 데이터에 대해 다른 구성요소가 다른 구성요소보다 더 유용해집니다. 우리는 환율 이득의 고주파 시리즈를 예측하기 위해 광범위한 선형 및 비선형 시계열 모델을 고려합니다. 우리의 결과는 데이터가 변동성이 높은 비표준 기능을 표시할 때 비선형 모델이 선형 대안을 능가함을 나타냅니다. 그러나 데이터가 추정치와 예측치 모두에 대해 낮은 변동성 범위에 있는 경우 웨이블릿을 통해 데이터에서 노이즈를 제거하려면 상당한 노력이 필요하지만 단순한 선형 자기회귀 모델이 우세합니다.
분류 모델을 훈련시키려면 클래스 "1"의 훈련 예제의 수가 클래스 "2"의 훈련 예제의 수와 일치하도록 클래스 수의 균형을 맞춰야 한다는 표시가 있습니다(그리고 불필요한 예제는 제거)
일부 회귀 모델에 대한 유사한 요구 사항을 발견했지만 여기서는 더 복잡합니다. 목표가 0.001인 예제의 수는 목표가 -0.001인 훈련 예제의 수와 일치해야 합니다.
대상이 0.002인 예제 수는 대상 -0.002 등의 예제 수와 일치해야 합니다.
이 밸런싱을 수행하는 스크립트는 다음과 같습니다.
달러가 몇 달 동안 연속적으로 성장했다면(추세가 있음) 훈련 예제의 수를 균등화하여 지금까지 플랫이 있었던 것처럼 NN을 표시할 것입니다. 그리고 그녀는 그에 따라 플랫에서 배울 것입니다. 맞나요? 트렌드에 대해 똑같이 배우게 놔둘까요?