Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1609
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Das nennt man Model Stacking. Es wird nicht dasselbe sein, aber nicht unbedingt effizienter. Ich habe es so gemacht und keine Verbesserung festgestellt.
Es gibt noch eine andere Möglichkeit, sie heißt Meta-Lernen. Sie trainieren das erste Modell, um Klassen vorherzusagen, dann erhalten Sie die Ergebnisse und speisen sie in das zweite Modell ein, das auf denselben oder anderen Prädiktoren basiert und den Handel mit dem ersten Modell zulässt/verweigert. 1 - handeln, 0 - nicht handeln, abhängig von der Qualität der ersten Modellvorhersagen, d.h. eine Art Filter. Es reduziert die Fehler bei Trainingsdaten stark, bei neuen Daten jedoch nicht so sehr (wenn das Modell eine geringe Generalisierbarkeit aufweist). Aber die Meta-Ausbildung an sich ist in Ordnung.
Sie können das erste Modell auf einige Daten und das Metamodell auf andere Daten trainieren, die auf Fehlern des ersten Modells basieren. Es kann verschiedene Varianten geben. Ich habe es auf beide Arten gemacht, im Allgemeinen gibt es eine Verbesserung, aber es ist mehr ein Tweaking, als ein Weg, um ein gutes Modell zu bekommen, das im Feedback funktioniert.
Sie können Marcos Lopez De Prado "meta learning" googeln, gerade über den Handel
Danke für die Info, aber ich habe in Erwägung gezogen, die Prädiktoren in Teile aufzuteilen, um beim Training Computerressourcen zu sparen. Ich habe einfach nicht genug Zeit, um z. B. 10 Prädiktoren im Modell auf einmal zu trainieren...
Ich möchte die Prädiktoren nicht mit PCA oder etwas anderem verkleinern, da ich zuerst die wichtigen Prädiktoren auswählen muss. Daher überlege ich, wie ich das allgemeine Modell in PDP-Modelle mit minimalem Informationsverlust aufteilen kann
Danke für die Informationen, aber ich habe überlegt, die Prädiktoren in Teile aufzuteilen, um beim Training Computerressourcen zu sparen. Ich kann es mir einfach nicht leisten, zum Beispiel 10 Prädiktoren in einem Modell auf einmal zu trainieren...
Ich möchte die Größe der Prädiktoren nicht mit PCA oder etwas anderem verringern, da ich zuerst signifikante Prädiktoren auswählen muss. Daher überlege ich, wie ich das allgemeine Modell in PDP-Modelle mit minimalem Informationsverlust aufteilen kann
Welche 10 Prädiktoren? Entfernen Sie die korrelierten, sehen Sie die Wichtigkeit der verbleibenden durch Wald oder Aufwertung und es werden 3-10 sein
Man kann sowieso nicht 100%ig raten, das ist getestet worden, es wird auf jeden Fall falsche Vorhersagen geben. Das liegt daran, dass die Trainingsmodelle wiederholt werden können, das Ergebnis aber nicht unbedingt dasselbe ist.
Das sieht zum Beispiel so aus. Natürlich kann es sein, dass ich keinen sehr guten Ansatz für die Auswahl von Modellen (formalisierte Daten) habe, aber es fällt mir schwer zu glauben, dass 100% korrekte Vorhersagen möglich sind.
Welche 10 Prädiktoren? Entfernen Sie die korrelierten, betrachten Sie die Bedeutung der verbleibenden durch Wald oder Aufwertung und es bleiben 3-10
Was ist, wenn die Prädiktoren logische Regeln sind? :)
Was ist, wenn die Prädiktoren logische Regeln sind? :)
wen kümmert's, so viele Prädiktoren gibt es nicht, das ist kein Modell, das ist Quatsch
vielleicht irgendwo in der Suchmaschine oder in der Bildanalyse, aber sicher nicht für Zitate
In welcher Form füttern Sie die Ebenen des neuronalen Netzes?
Wen kümmert's, es gibt nicht so viele Prädiktoren, es ist kein Modell, es ist Quatsch
Und warum?
Je "reicher" das Modell ist, desto schlechter ist es?
Vor allem, wenn man selbst nicht weiß, welche Kombination von Prädiktoren am besten ist, wäre es dann nicht richtig, alle möglichen Optionen in das Modell einzugeben und dann die Bedeutung der Prädiktoren im Hinblick auf das Modell zu untersuchen?In welcher Form füttern Sie die Ebenen des neuronalen Netzes?
Nein, nein, nein, ich habe versucht, eine zweistufige zu verwenden, aber ich habe nicht das erwartete Ergebnis erhalten, wie ich oben geschrieben habe, vielleicht hat die nicht optimale Auswahl der Daten (in einigen Fällen widersprüchlich) keinen Hinweis auf ein logisch korrektes Ergebnis zugelassen. Bisher nur die übliche geschichtete Neuronik. Bevor Sie ein mehrschichtiges Netz aufbauen, müssen Sie wissen, ob jede Schicht für sich genommen die richtige Lösung ergibt.
Nein, nein, nein, ich habe versucht, Bi-Level zu verwenden, aber ich habe nicht das erwartete Ergebnis erhalten, wie ich oben geschrieben habe, vielleicht hat die nicht optimale Auswahl der Daten (in einigen Fällen widersprüchlich) nicht erlaubt, irgendeinen Hinweis auf ein logisch korrektes Ergebnis zu sehen. Bisher nur die übliche geschichtete Neuronik. Bevor Sie mehrschichtige Netze aufbauen, sollten Sie sich darüber im Klaren sein, dass jede Schicht für sich genommen die richtige Lösung darstellt.
Entschuldigung, ich meinte Unterstützungs- und Widerstandsniveaus