Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1743
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
Es ist eine komplizierte Sache, man kann nicht genau wissen, wie man sie angehen soll... es ist alles sehr vage.
Ich weiß nicht, ob es zu viel ist, sich nach den Schildern zu richten oder was.
Was ist los?
Ich habees hier gefunden.
Ich habe die Quelle überprüft, aber nirgendwo eine eindeutige Schlussfolgerung über die schlechte Leistung dieser Methode gefunden....
Was ist los?
Siehe das sehr interessante Paket TSrepr (Time Series Representations ) in R.
"Methoden zur Darstellung von Zeitreihen lassen sich in vier Gruppen (Typen) unterteilen (Ratanamahatana et al. (2005)):
Bei nicht-datenadaptiven Darstellungen bleiben die Parameter der Transformation für alle Zeitreihen gleich, unabhängig von ihrer Art. Bei datenadaptiven Darstellungen variieren die Parameter der Transformation in Abhängigkeit von den verfügbaren Daten. Ein Ansatz zur modellbasierten Darstellung beruht auf der Annahme, dass die beobachtete Zeitreihe auf der Grundlage eines Grundmodells erstellt wurde. Ziel ist es, die Parameter eines solchen Modells zu finden, das eine Darstellung darstellt. Zwei Zeitreihen gelten dann als ähnlich, wenn sie durch denselben Satz von Parametern eines Basismodells erzeugt wurden. Bei datengesteuerten Ansätzen wird das Komprimierungsverhältnis automatisch auf der Grundlage roher Zeitreihen wie z. B. beschnittener Daten festgelegt (Aghabozorgi, Seyed Shirkhorshidi und Ying Wah (2015)).
Die bekanntesten Methoden für nicht-datenadaptive Darstellungen sind PAA (Piecewise Aggregate Approximation), DWT (Discrete Wavelet Transform), DFT (Discrete Fourier Transform), DCT (Discrete Cosine Transform) oder PIP (Perceptually Important Points). Bei den datenadaptiven Darstellungsarten handelt es sich um SAX (Symbolic Aggregate approXimation), PLA (Piecewise Linear Approximation) und SVD (Singular Value Decomposition). Bei modellbasierten Darstellungen handelt es sich um ARMA, mittlere Profile oder geschätzte Regressionskoeffizienten aus einem statistischen Modell (z. B. lineares Modell). Das Datendiktat ist die weniger bekannte Art der Darstellung und die bekannteste Methode dieser Art ist das Clipping (Darstellung auf Bitebene) (Bagnall et al. (2006)).
Im Paket TSrepr sind diese Methoden zur Darstellung von Zeitreihen implementiert (die Funktionsnamen stehen in Klammern):
Nondata adaptiv:
Daten adaptiv:
Modellbasiert:
Daten diktiert:
Es gibt sehr interessante Transformationen, einschließlich Clusterbildung.
Viel Glück!
Sehen Sie sich das sehr interessante Paket TSrepr(Time Series Representations) in R an.
Erinnern Sie sich, als ich Sie gebeten habe, ein Skript für mt4 zu erstellen, gab es trainierte Neuronen aus dem nnfor-Paket, und das Ziel war PIP- Perceptually Important Points (repr_pip) aus TSrepr :)
Vladimir, ich habe ein paar Fragen, wenn ich darf...
1) Sagen Sie mir, welchen maximalen Fehler Sie bei der Klassifizierung der Zickzack-Richtung beim EURUSD erreichen konnten? Und haben Sie dabei einen Geräuschfilter verwendet?
2) Verschlechtert die "Diskretisierung" der Prädiktoren, die Sie in Ihren Artikeln beschreiben, die Qualität des Lernens?
3) Ich möchte versuchen, eine Art Meta-Lernen auf der untersten Ebene zu betreiben, und zwar im Wesentlichen wie folgt:
n1. einen Prognostiker anhand der Daten trainieren
n2. Wir ziehen alle Regeln, die Forest generiert hat, heraus und übermitteln sie als neue Prädiktoren; jede Regel ist ein Prädiktor, so dass wir 500-1000 Regeln haben. Die Prädiktoren erscheinen "spärlich", aber was kann man tun?
P.3 Ein neues Modell auf Prädiktorenregeln trainieren...
Die Idee ist, dass
1) Erhöhung der Anzahl der Prädiktoren
2) komplexere und tiefere Regeln zu erhalten, d.h. hierarchisch komplexere Regeln
3) Der Wald zeigt die Vorhersage als Summe aller Regeln (Bäume). Ich denke, wenn wir nicht die Summe der Regeln, sondern die Regeln einzeln betrachten, können wir die Klassenbezeichnungen besser trennen, vielleicht einige einzigartige Kombinationen von Regeln finden usw.
Die Frage ist: Ist das, was ich gerade geschrieben habe, nicht das übliche Gradient Boosting?
4) Woher bekomme ich die Spektralindikatoren, die ich verwende (satl, fatl, etc. )?
Ich habees hier gefunden.
Ich habe das Thema gelesen und bin zu demselben Schluss gekommen. Und die cssa-Vorhersage ist clever gemacht, sie sagt schrittweise einen Schritt voraus, aber ist sie wirklich so effektiv?
Gibt es Geschwindigkeitsvergleiche zwischen bpf und ssa? Andernfalls nehmen Sie komplexe Wavelets und es sind die gleichen Lessage-Zahlen. Es ist nur nicht klar, wie man sie in den Optimierer einfügt, es ist eher für visuelles Tuning geeignet.
cssa heißt übersetzt Causal SSA. Diese Methode ist in dem Buch von 2013 enthalten.
Oleg und Miklouha wurden verbannt?)
Oleg wurde gebannt, aber Miklokh wurde aus irgendeinem Grund nicht gebannt ............