Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2121
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
Ich habe es getan - es hat nicht funktioniert.
Das ist seltsam... OK, ich werde mir das Thema noch einmal ansehen und Ihnen später Bescheid geben.
die in der offiziellen Dokumentation nicht aufgeführt ist.
Maxim, können Sie vergleichen, wo die Lerngeschwindigkeit schneller ist, in Python oder in der Konsolenversion von CatBoost?
Seltsam... OK, ich werde mir diesen Thread noch einmal ansehen - ich werde später wieder berichten.
Ich habe zunächst aus dem Gedächtnis gesprochen und mich dann als falsch erwiesen.
Ich habe das gerade mit einer Kreuzvalidierung überprüft. Die Zeit gibt immer noch 1-2% Steigerung bei neuen Daten. Die Gesamtprävalenz der erfolgreichen Vorhersagen gegenüber den erfolglosen beträgt bei TP=SL etwa 5 %. D.h. 10 bis 30 % des Erfolges kommen aus der Zeit.
Es handelt sich jedoch um einen Test über ein 2-monatiges Stück Geschichte. In einem anderen Teil der Geschichte könnten sich die Dinge ändern.Ich gebe die Zeit als Kosinus und Sinus ein. Dies wurde hier diskutiert https://www.mql5.com/ru/forum/212376#comment_5983502
Einfach als 0...5(Wochentag) oder 0...23 (Stunde) oder 0...59 (Minute) kann auch eingegeben werden, aber als kategorische Variable.
Sinus und Kosinus sind bereits numerisch und werden von jedem Algorithmus akzeptiert.
Es gibt einen relativ neuen Trend, der sich aktives Lernen nennt. Es kann die Daten auf bestmögliche Art und Weise selbst stichprobenartig erfassen. Sie scheint für meinen Ansatz (Zufallsstichproben) geeignet zu sein. Ich habe mich noch nicht damit befasst.
https://libact.readthedocs.io/en/latest/overview.html
https://medium.com/towards-artificial-intelligence/how-to-use-active-learning-to-iteratively-improve-your-machine-learning-models-1c6164bdab99
Im weiteren Verlauf sind die Frequenzen und möglicherweise auch die Phasen fließend... Die Amplituden bleiben erhalten...
Hier ist die Vorhersage für 500 Punkte des angepassten Modells auf dem Verlauf von 10k von 4 Harmonischen
Wir sehen, dass die Vorhersage für alle 500 Punkte gültig ist, aber die Frequenzen schwanken und schwanken nach einem unverständlichen Algorithmus
Und dies ist nur ein anschauliches Beispiel, manchmal ist es sogar noch schlimmer.
Haben Sie es mit Inkrementen versucht?
"Eine der nützlichen Eigenschaften einer Serie von Inkrementen ist die größere Stabilität des Spektrums im Vergleich zum ursprünglichen Prozess. "Dies ist Goodmans Schrift.
Ich gebe die Zeit als Kosinus und Sinus ein. Dies wurde hier diskutiert https://www.mql5.com/ru/forum/212376#comment_5983502
Genauso wie 0...5(Wochentag) oder 0...23 (Stunde) oder 0...59 (Minute) kann auch eingegeben werden, allerdings als kategorische Variable.
Sinus und Kosinus sind bereits numerisch und werden von jedem Algorithmus akzeptiert.
Können Sie die Funktion, die die Zeit in Sinus/Cosinus umwandelt, veröffentlichen? Ich würde auch diese Methode ausprobieren. In dem von mir veröffentlichten Artikel stellte sich heraus, dass die Stundenzahl dort ein signifikanter Prädiktor ist. Ich frage mich, ob diese Methode für Holzmodelle oder eher für neuronale Netze geeignet ist.
Haben Sie es mit Inkrementen versucht?
"Eine der nützlichen Eigenschaften einer Serie von Inkrementen ist die größere Stabilität des Spektrums im Vergleich zum ursprünglichen Prozess. "Dies ist Goodmans Schrift.
keine