Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1621

 
Aleksey Vyazmikin:

Die Realität ist vielleicht nicht so, wie wir sie uns vorstellen - wir sollten versuchen, die Partitionierungsalgorithmen von CatBoost zu reproduzieren und zu sehen, was dort wirklich passiert und wie korrekt es ist.

Was die Zufälligkeit anbelangt, so gibt es eine Zufälligkeit bei der Wahl der Partitionierung des Prädiktorenrasters, zwar nicht die beste, aber eine zufällige, wenn ich das richtig verstehe. Und es gibt Algorithmen, die den Stapel ungleichmäßig nach Bereichen aufteilen.

Ich denke anders. Jeder Prädiktor wird durch einen zufälligen Punkt geteilt, aber die beste resultierende Teilung wird immer noch ausgewählt.

 
mytarmailS:

Ich würde sagen, nicht schlecht, aber es ist frustrierend.

Er funktioniert im Grunde wie ein normaler Überkauft/Überverkauft-Indikator.

Manchmal ist es richtig, manchmal ist es falsch, es sollte nicht sein...

Haben Sie dieses Netz überhaupt für den Handel getestet? Meine Erfahrung sagt mir, dass man damit kein Geld verdienen wird...

Es sei denn, Sie setzen einen Filter auf die "Gewissheit" des Netzes

Ich werde nicht über Angemessenheit/Unzulänglichkeit streiten, ich habe über Nacht einige Statistiken gesammelt und einen "Vertrauens"-Filter hinzugefügt. So sieht die Nacht aus, wenn der Filter hoch eingestellt ist. Wenn Sie Null eingeben, werden die Linien nicht gebrochen, sondern wechseln nur die Seiten.
Ich werde sie Ihnen in Kürze zum Testen geben.

 
Evgeny Dyuka:
Orangefarbene Zone oben - prognostiziert eine Abwärtsbewegung, grüne Zone unten - eine Aufwärtsbewegung, das Vertrauensniveau des Neuronetzes ist dick. Es funktioniert nur auf BTCUSD M1 (für jetzt).
Ist das in Ordnung? ))

Er sieht aus wie ein normaler Trendindikator ))). Wie oft trainieren Sie es neu?

 

Ausgehend von diesem Bild ist das Training extrem selten oder nicht korrekt genug, da solche Zonen zum Zeitpunkt der Anwendung des trainierten Systems einfach nicht existierten.

Es wird wahrscheinlich niemanden überraschen, dass der Strategietester in MT im Wesentlichen das trainierte neuronale System ist.
 
Farkhat Guzairov:

Er sieht aus wie ein normaler Trendindikator ))). Wie oft trainieren Sie es neu?

Das ist nur der Fall, wenn man sie aus der Ferne betrachtet). Bei näherer Betrachtung zeigt sich, dass das alles nicht so einfach ist.
Ich habe einmal trainiert, dies ist der erste Versuch. Der Trainingsbereich bis etwa 1. Februar, dann ein Testdatensatz bis 24. Februar.
Ich sollte sagen, dass dieses Neuron kaum gebaut wurde, daher bin ich überrascht, dass es überhaupt etwas zeigt. Ich habe eine Idee, wie es weitergehen soll.
 
Farkhat Guzairov:

Ausgehend von diesem Bild ist das Training extrem selten oder nicht korrekt genug, da solche Zonen zum Zeitpunkt der Anwendung des trainierten Systems einfach nicht existierten.

Es wird wohl niemanden überraschen, dass der Strategietester in MT eigentlich das trainierte Neurosystem ist.
Haben Sie Arbeitsbeispiele mit korrektem Lernen? Ich spreche nicht von den geheimen neuronalen Netzen, die Millionen von Gewinnen abwerfen, jeder hat sie). Aber die, die öffentlich sind.
 
Evgeny Dyuka:
Allerdings nur, wenn man es aus der Ferne betrachtet. Bei näherer Betrachtung stellt man fest, dass es nicht so einfach ist.
Ich habe es einmal versucht, es war der erste Versuch. Lernbereich bis etwa zum 1. Februar, dann ein Testdatensatz bis zum 24. Februar.
Ich sollte sagen, dass dieses Neuron auf meinem Schrotthaufen gebaut wurde, daher bin ich überrascht, dass es überhaupt etwas anzeigt. Es besteht Einigkeit darüber, wie es weitergehen soll.

Im Wesentlichen haben Sie also noch kein System entwickelt, um damit zu handeln, bisher sehen Sie nur ein relativ akzeptables Vorhersageergebnis, aber haben Sie versucht zu handeln und welche Regeln wenden Sie an?

 
Farkhat Guzairov:

D.h. im Wesentlichen haben Sie noch kein System (Handel) darauf entwickelt, bisher sehen Sie nur ein relativ akzeptables Vorhersageergebnis für Sie, aber haben Sie versucht zu handeln und welche Regeln wenden Sie an?

Eine gute Frage.
Ich denke prinzipiell nicht daran, einen Beruf zu ergreifen. Sobald ich anfange, mich mit Take/Stop/Backtest zu beschäftigen, schrumpft mein Gehirn und ich kämpfe gegen Windmühlen. Ich mache einen Indikator und der Rest wird sich von selbst erledigen.
 
Evgeny Dyuka:
Haben Sie praktische Beispiele für eine gute Ausbildung? Ich meine nicht die geheimen neuronalen Netze, die Millionengewinne abwerfen, die hat jeder.) Ich meine diejenigen, die öffentlich sind.

Ich habe.... Ich ziehe meine Schlüsse aus den Backtests im Tester. Was denken Sie, welches Ergebnis Sie erhalten, wenn Ihr System richtig trainiert ist? Fast 90 % Ergebnis der richtigen Eingaben. Zuvor hatten die gleichen Backtests nicht zu einem solchen Ergebnis geführt, woraus ich schließe, dass das Training in diesem Fall korrekt war.

Versuchen Sie das Gleiche.

 
elibrarius:

Ich denke anders. Jeder Prädiktor wird nach dem Zufallsprinzip aufgeteilt, aber die beste Aufteilung wird ausgewählt.

Ich habe mir die Hilfe angesehen, aber ich verstehe sie nicht - sie ist sehr verwirrend. Ich werde später versuchen, diesen Punkt im Video zu finden, dort ist er deutlicher.

Aber ich habe gesehen, dass CB neue Optionen für den Aufbau von Bäumen hinzugefügt hat, vorher gab es nur eine semetrische Baumoption.

--grow-policy

Die Baumzuchtpolitik. Legt fest, wie eine gierige Baumkonstruktion durchgeführt werden soll.

Mögliche Werte:
  • SymmetricTree- EinBaum wirdEbene für Ebene aufgebaut, bis die angegebene Tiefe erreicht ist. Bei jeder Iteration werden alle Blätter der letzten Baumebene mit der gleichen Bedingung geteilt. Die resultierende Baumstruktur ist immer symmetrisch.
  • In der Tiefe- Ein Baum wird Ebene für Ebene aufgebaut, bis die angegebene Tiefe erreicht ist. Bei jeder Iteration werden alle nicht-terminalen Blätter der letzten Baumebene geteilt. Jedes Blatt wird nach dem Zustand mit der besten Verlustverbesserung aufgeteilt.

    Anmerkung. Modelle mit dieser Anbaupolitik können nicht mit derPredictionDiff-Merkmalsbedeutung analysiert werden und können nur injson undcbm exportiert werden.
  • Lossguide- Ein Baum wird Blatt für Blatt aufgebaut, bis die angegebene maximale Anzahl von Blättern erreicht ist. Bei jeder Iteration wird das nicht-terminale Blatt mit der besten Verlustverbesserung geteilt.