Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2128
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
Offenbar habe ich die Frage nicht verstanden.
Es gibt keinen Modellinterpreter auf MT5 mit Kategorisierungsprädiktoren und CatBoost mit Kommandozeile kann alles wie die Python-Version, außer reinem Python-Zeug wie Visualisierung.
Haben Sie es zusammen gemacht, dieser Dolmetscher, oder auf Ihren Befehl? Nun, ich muss sehen, was noch fehlt...
Es handelt sich nicht um ein kommerzielles Projekt. Meine Rolle beschränkte sich auf das aktive Testen der Lösung.
Wenn Sie das herausfinden können, ist das gut für die Gemeinschaft.
Und im Allgemeinen habe ich bisher nicht gesehen, was wirklich kategorische Zeichen, um einen Anstieg zu geben - aber, versuchte vor langer Zeit, habe ich Prädiktoren beschreiben lokale Situationen, als ob kategorische, aber nicht kommen.
keine Multiklasse, soweit ich weiß
Noch kein Rückschritt.
Nun, wenn ich es tue, wird es ein Parser von trainierten Modellen von Python zu mql sein. Noch brennt es nicht, aber Sie könnten es brauchen.
Ich kann auch Modelle für Python speichern.
Was ist der Sinn eines Rückschritts?
Sie kann für Modelle nützlich sein, die für die Festlegung von Haltestellen funktionieren. Manchmal kann es notwendig sein, den MA durch ein Dutzend Balken vorherzusagen :)
Welche Ihrer Funktionen/Umwandlungen führen zu guten Ergebnissen?
Das Ergebnis des Wertes des Prädiktors hängt vom Ziel ab :) Ich mache gerade ein Experiment zur Auswahl der besten Quantisierungsstufen. Die Prädiktoren, die den Mindestschwellenwert nicht erreicht haben, werden herausgefiltert. Es ist noch zu früh, um das zu beurteilen, aber die ersten Ergebnisse sind positiv. Der Prozess ist langwierig - mehr als ein Tag - in einem einzigen Thread. Ich muss mehr Kriterien für die Schätzung der Quantenwerte heranziehen - das werde ich tun - die Idee ist, dort zu graben, wo es ein Signal gibt. Im weiteren Verlauf werde ich mehr Parzellen nehmen, Stichproben filtern und nur dort lernen, wo es eine Reaktion gibt - wahrscheinlich wird schon der genetische Baum funktionieren -, um Blätter zu extrahieren.
Ich habe etwas Interessantes gemacht: Ich kann jeden Datensatz umwandeln, egal ob er markiert oder nicht markiert ist, und ihn verbessern
Das ist interessant - Sie können es an dem von mir verlinkten Beispiel ausprobieren. Es stimmt, dass einige Prädiktoren einen Fehler enthalten (beim Speichern wurden sie als int, nicht als double geschrieben - ich habe meine Quantisierung entfernt und es vergessen), aber für einen relativen Vergleich spielt das keine Rolle.
Übrigens, wenn Sie berechnen müssen, was relativ schwer ist - ich kann berechnen - jetzt gibt es eine Gelegenheit.
Das ist interessant - Sie können es auf der Seite ausprobieren, zu der ich den Link gepostet habe. Einige Prädiktoren enthalten einen Fehler (beim Speichern wurden sie als int, nicht als double geschrieben - ich habe meine Quantisierung entfernt und es vergessen), aber für den relativen Vergleich spielt das keine Rolle.
Übrigens, wenn Sie berechnen müssen, was relativ schwer ist - ich kann berechnen - jetzt gibt es eine Gelegenheit.
Ich war auf der Suche nach einer sehr prägnanten Entwicklung meines Ansatzes und stieß auf etwas Interessantes... Oder besser gesagt, es ist nicht so, dass ich es vorher nicht gewusst hätte, ich habe nur nicht daran gedacht, es zu benutzen... und dann haben sich die Puzzles irgendwie zusammengefügt
Es ist kein Allheilmittel, aber es liefert interessante Ergebnisse. Ich werde es später sehen.
Ich war auf der Suche nach einer sehr prägnanten Entwicklung meines Ansatzes und bin auf etwas Interessantes gestoßen... Oder besser gesagt, es ist nicht so, dass ich es vorher nicht wusste, ich habe nur nicht daran gedacht, es zu benutzen... und dann fügten sich die Puzzles irgendwie zusammen
Es ist kein Allheilmittel, aber es liefert interessante Ergebnisse. Das werden wir später sehen.
Ich warte mit Interesse!
Spread kann nach einfacher Dekorrelation nicht mehr geschlagen werden, aber das Modell ist stabiler bei neuen Daten ohne Spread. Jedes Modell, das für die Serie überangepasst wurde, schneidet ohne die Streuung gut ab, ist aber auf dem Tablett viel besser als das erste Modell (es funktioniert auch mit der Streuung). Dies zeigt eindeutig eine Umschulung auf Serialisierung und nichts anderes. Ich weiß, es ist schwer zu verstehen, aber es ist so 🤣 Wenn du dir die Bilder noch einmal ansiehst, wirst du höhere Verteilungsspitzen und vielleicht Schwänze auf dem ersten Bild sehen. Das ist Serialität, Volatilität, was auch immer. Sie ändert sich fast sofort mit den neuen Daten, daher die Überanpassung. Das zweite untere Bild hat das nicht, es ist alles, was übrig ist, und in diesem Müll muss man nach einem Alpha suchen, das den Spread übertrifft. Sehen Sie sich einfach Ihre Daten an und entfernen Sie zumindest die Serialität oder transformieren Sie sie irgendwie, um die Schwänze zu entfernen. Und dann schauen Sie sich die Klassenverteilungen an, die übrig geblieben sind: Gibt es normale Cluster-Gruppen oder völlige Zufälligkeit wie bei mir. Auf diese Weise können Sie sogar visuell erkennen, ob der Datensatz funktioniert oder ob er überflüssig ist. Und dann können Sie die Validierung mit Trayn mischen, es wird nichts ändern. Und Sie sagen "nur ein Bild".
Du musst es tun, Fedja, du musst es tun!
Tag und Nacht arbeiten, ohne zu schlafen oder sich auszuruhen ))))
Seid ihr Roboter?
Tag und Nacht arbeiten, ohne zu schlafen oder sich auszuruhen ))))
Wir müssen es tun, Fedja, wir müssen es tun!
:))))