Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1624

Neuer Kommentar
 
Kesha Root:

Hmm, "0,5-0,7 Sekunden Berechnungszeit" ist ein bisschen viel für MLP, vielleicht lehren Sie und berechnen dann, auf kleinen Datensätzen mit einem gleitenden Fenster?

Gehen wir sie der Reihe nach durch:

1 Wie lauten die Rohdaten (Ticker(s), Zeitrahmen)

2 Wie groß ist der Trainingsdatensatz (1k,10k,100k...)

3 Welche Art von Merkmalen

4 Was sind die Ziele?

5 Welche Art von Gitter


ist für den Anfang ausreichend...

1. Candlesticks + Indikatoren
2. 200-300к
3. es geht um Know-how - nicht um das Teilen
4. binäre Klassifizierung - oben/unten
5. sequental auf keras
 
Evgeny Dyuka:
1. Candlesticks + Indikatoren
2. 200-300к
3. dieses Know-how teile ich nicht
4. binäre Klassifizierung - aufwärts/abwärts
5.

Wie viele Funktionen?

sequentiell - nicht die Art des Netzes, sondern die Art und Weise, wie es in keras zusammengesetzt ist, die Struktur des Netzes ist in Ordnung, z. B. MLP (in keras nur Dence-Schichten) oder eine Mischung irgendeiner Art, besser der Code des Netzes hier

 
Kesha Rutov:

Wie viele Funktionen?

sequental ist nicht die Art des Netzes, sondern die Art und Weise, wie es in keras zusammengesetzt ist, die Struktur des Netzes ist zart, z. B. MLP(in keras nur Dence-Schichten) oder eine Mischung von irgendeiner Art, besser der Code des Netzes hier

Keras hat alle Schichten, die in Tensorflow/ vorhanden sind.

 
Kesha Rutov:

Wie viele Funktionen?

Der beste Weg, um ein Netz in keras zu montieren ist nicht die Art des Netzes, sondern die Struktur des Netzes, z. B. MLP (in keras nur Dence Schichten) oder eine Mischung von ihnen, besser Code das Netz hier

def make_model(arr_size):
  sgd = SGD(lr=0.01, decay=1 e-6, momentum=0.9, nesterov=True)

  res = 2 # количество ответов
  act = "softmax"
  #act = "sigmoid"
  #opt = sgd
  opt = 'adam'

  model = Sequential()

  model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
  model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.3*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.1*k), activation='relu'))
  #model.add(Dropout(dropout))

  model.add(Dense(res, activation=act))

  if res==1:
    ls="binary_crossentropy"
  else:
    ls="categorical_crossentropy"
  model.compile(loss=ls, optimizer=opt, metrics=['accuracy'])
  return model
 
Vladimir Perervenko:

keras hat alle Schichten, die Tensorflow hat/

Ich weiß.

Ich sagte MLP ist nur dichte Schichten in keras

 

Evgeny Dyuka:

Code

GUT. Also MLP.

arr_size-res muss groß sein?

 
Kesha Rutov:

Ja. Also MLP.

arr_size-res muss groß sein?

arr_size ist die Anzahl der Chips auf dem Eingang, der Code ist schief geschrieben, kopiert es so, wie es ist, es wurde für mich geschrieben
 
Evgeny Dyuka:
arr_size ist die Anzahl der Chips auf dem Eingang, der Code ist schief geschrieben, kopiert wie er ist, wurde für mich geschrieben

Ich habe Sie gefragt, wie viele Funktionen Sie haben, und Sie haben mich ignoriert.

Ich schlage ein Experiment vor: Man nehme die Eurobucks-Reihe, teile sie zu 70-30%, trainiere den ersten Teil, generiere den MO-Indikator auf dem zweiten Teil und poste ihn hier zusammen mit der Testreihe.

 
Kesha Rutov:

Ich habe Sie gefragt, wie viele Funktionen Sie haben, und Sie haben mich ignoriert.

Ich schlage ein Experiment vor: Man nehme die Eurobucks-Reihe, teile sie zu 70-30%, trainiere den ersten Teil, generiere den MO-Indikator auf dem zweiten Teil und poste ihn hier zusammen mit der Testreihe.

Ich habe geantwortet: 250-300 Chips
 


Y.I. Zhuravlev. Mathematische Methoden der Vorhersage

1...161716181619162016211622162316241625162616271628162916301631...3399
Neuer Kommentar