Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 42
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
Hallo!
Ich habe zwei Fragen an Sie
1) im Hinblick auf rekurrente Netze aus der vorherigen Seite, warf ich das Paket "rnn" es ist wirklich irgendwie seltsam und schlecht konzipiert und wechselte zu "RSNNS" nahm das Netzwerk "Elman" warf die Daten alle gearbeitetIch verstehe nicht, wo und wie man in "rnn" einstellen kann, "wie weit sich das Netz in die Vergangenheit zurückerinnert", wo doch sofort klar war, dass jede Variable in eine Matrix mit einer Zahl umgewandelt wurde. Spalten entsprach der Speichergröße des Netzes, aber ich habe einen solchen Parameter in"RSNNS" nicht gefunden, aber es ist unmöglich, dass er nicht da war, da das Wesen des rekurrenten Netzes genau darin besteht.
2) Worauf sollte ich bei"rminer" achten? Wenn Sie etwas wie "arima" meinen, wird es nicht funktionieren.
Ich habe versucht, eine solche Klassifikator Ziel zu schreiben, um mehrere Schritt-Prognosen zu machen, aber ich scheiterte, die Ergebnisse waren seltsam, vor allem die Qualität fiel (es ist normal, weil die Prognose nicht auf die 5. oder 10. Kerze), Anti-Korrelation war immer noch vorhanden, wenn auch weniger ausgeprägt, aber der Trick ist, dass ich nicht die antizipierendeEs sieht so aus, als ob die Umkehrung des Indikators dieselbe war wie die Umkehrung des Marktes, d.h. ich habe etwas bekommen, das von schlechterer Qualität war, aber ich verstehe nicht, warum das so passiert ist..
Guten Tag.
1. Das Elman-Netz merkt sich wie das Jordan-Netz nur den vorherigen Schritt. Um die vielen vorangegangenen Schritte zu berücksichtigen, müssen Sie die RNNs miteinander verketten, das ist das so genannte LSTM. Dieser Artikel beschreibt solche Netze recht anschaulich. Leider sind sie in Python implementiert. Aber das ist doch kein Problem, oder? Python und R sind perfekt integriert.
2. Rminer verfügt über die Funktion lforecast - Führt mehrstufige Vorhersagen durch, indem es iterativ 1-ahead-Vorhersagen als Eingaben verwendet . Wenn Sie von mehrstufigen Vorhersagen sprechen, meinen Sie natürlich die Regression?
Viel Glück!
Fazit: Es ist notwendig, jedes Attribut zu nehmen und etwas Nützliches daraus zu extrahieren. Ich habe einige Gedanken dazu, aber bevor ich das sage, würde ich gerne Ihre Gedanken, Ideen und Vorschläge zu diesem Thema hören
Sie können einem Merkmal nur mit Hilfe historischer Daten etwas entnehmen. Wenn ein neuer Balken auftaucht, muss das Zeichen etwas vorhersagen, und damit es das kann, muss es eine Vorhersagekraft haben. Die Vorhersagekraft ist eine gewisse Potenz eines Merkmals, wenn einige Werte eines Merkmals eine Klasse und andere Werte eines Merkmals eine andere Klasse vorhersagen. Ich habe bereits ein Beispiel für eine solche Vorhersagefähigkeit gegeben. Ziel: "Männer/Frauen". Merkmal: "Kleidung". Wenn das Attribut nur zwei Werte hat: Hosen/Röcke, dann sagt in einer muslimischen Gesellschaft ein solches Attribut mit diesen Werten eindeutig die Klasse voraus. Aber in der nicht-muslimischen Gesellschaft gibt es neben einer Vielzahl anderer Bezeichnungen auch Unisex-Kleidung.
Das Problem der Bestimmung der Vorhersagekraft des Bekleidungsattributs für eine Zielvariable, die zwei Werte der Klasse männlich/weiblich hat, wird also wie folgt formuliert: Welcher Prozentsatz der Werte des Bekleidungsattributs sagt eindeutig männlich und welcher Prozentsatz sagt weiblich voraus? Wenn es sich um eine westliche Gesellschaft handelt und alle Kleidungsstücke unisex sind, dann hat das Attribut "Kleidung" keine Vorhersagekraft. In einer muslimischen Gesellschaft hätte das Merkmal "Kleidung" eine sehr gute Vorhersagekraft. Wenn wir unser Beispiel durch die Einführung von age.... realistischer gestalten, erhalten wir eine realere Vorhersagefähigkeit. Sie wird spezifisch sein, und diese Vorhersagefähigkeit wird den Vorhersagefehler bestimmen.
Das heißt, aus der Vorhersagefähigkeit des Prädiktors ergibt sich der Vorhersagefehler, und wenn das gewählte Modell zum vorliegenden Problem passt, ist dieser Fehler wenig abhängig von der Wahl des Modells.
Von Ideen und Vorschlägen.
Ich habe sie in diesem Thread und in diesem Forum bereits mehrfach zum Ausdruck gebracht. Das Hauptproblem besteht darin, dass meine Aussage über die "Vorhersagekraft" noch nicht verstanden wird.
Von den Werkzeugen gab ich einen Link zu einem Artikel undDr.Trader versucht, gelten, aber nicht erfolgreich. Ich führe das negative Ergebnis auf die Besonderheit des Merkmalsatzes zurück: eine große Anzahl von Merkmalen, die wenig Wert haben. Es handelt sich um einen sehr spezifischen Satz von Merkmalen für Forex. In Forex kann jedes Attribut Tausende von Werten haben, und sein Attribut kann Dutzende von Werten haben.
Ich habe sie in diesem Thread und in diesem Forum bereits mehrfach zum Ausdruck gebracht. Die Hauptschwierigkeit besteht darin, dass mein Standpunkt zur "Vorhersagefähigkeit" noch nicht verstanden wird.
Vielleicht, weil diese Sichtweise weder durch Tests noch durch Testergebnisse Ihrerseits gestützt wird? :)
Generell, warum diese kilometerlange Aufklärung, die Frage war, wie man aus den Attributen nützliches herausbekommt, nicht wie man Merkmale auswählt, das sind unterschiedliche Dinge und hier ist Ihr Verweis auf einen Artikel allgemein zu platzieren...
Vielleicht, weil dieser Standpunkt nicht durch Tests oder Testergebnisse Ihrerseits gestützt wird? :)
Generell, warum diese kilometerlangen Aufklärungen, die Frage war, wie man nützliche Merkmale aus ihnen herausbekommt, nicht wie man Merkmale auswählt, das sind unterschiedliche Dinge und da passt Ihr Verweis auf einen Artikel generell nicht...
Sie müssen eine kilometerlange Enzyklopädie schreiben. Kurz gesagt: Ein Merkmal ist ein Ganzes, aus dem nichts herausgenommen werden kann. Sie können feststellen, ob der gesamte Charakterzug passt oder nicht.
PS.
Ich treffe eine individuelle Auswahl von Merkmalen, die eine Vorhersagekraft haben. Bei der Verwendung von Merkmalen, die mit meinem Algorithmus ausgewählt wurden, erhalte ich Modelle ohne erneutes Training.
Sie müssen ein kilometerlanges Libretto schreiben. Kurz gesagt: Ein Merkmal ist ein Ganzes, aus dem nichts herausgenommen werden kann. Sie können feststellen, ob der gesamte Charakterzug passt oder nicht.
PS.
Ich wähle benutzerdefinierte Funktionen aus, die eine Vorhersagekraft haben. Wenn ich die mit meinem Algorithmus ausgewählten Merkmale verwende, erhalte ich Modelle ohne erneutes Training.
Wow, cool... ...wollen Sie mir die konkreten Ergebnisse Ihres untrainierten Modells nennen? Oder wird dieses Thema auch "übersprungen" wie bei Ihrem Roboter, der "zu funktionieren scheint" und "zu verdienen scheint"?
Und Sanych, hörst du endlich auf damit?!?
Ich habe schon seit langem alles verstanden...
Das ist nicht gut für andere Teilnehmer, die Sie lesen und dann ihre Zeit auf dem Weg ins Nirgendwo verbringen.
Wow, cool... Vielleicht können Sie uns einige konkrete Ergebnisse Ihres untrainierten Modells mitteilen? Oder werden Sie weiter darüber reden, wie Sie es mit Ihrem Roboter getan haben ?
Und Sanych, hörst du endlich auf damit?!?
Ich habe schon seit langem alles verstanden...
Das ist nicht gut im Verhältnis zu anderen Spielern, die Sie lesen und dann ihre Zeit auf dem Weg ins Nirgendwo verbringen, um es milde auszudrücken.
Denken wir daran, wie ein professioneller Händler arbeitet(denken Sie daran, dass ich immer noch übertreibe :)), der nur zwei Zeichen hat - Ebenen und "RSI" Indikator Und es gibt ein Handelssystem, bei dem ein Verkaufsgeschäft so klingt - wenn das Niveau nach oben durchbrochen wird und der RSI größer als 0,9 ist, dann verkaufen...
Was ist ein Handelssystem? In diesem Fall fungiert das Handelssystem als Datenfilter, ein Filter, der nicht zulässt, dass der Händler in Lärm, und der Anteil des Rauschens in diesem Beispiel mit RSI ist nicht ein Witz 95%, weil RSI Bereich von -1 bis 1, und der Händler braucht nur, dass >0,9 diese 5% ...
Es wird funktionieren, wenn wir ein Dutzend Indikatoren mit einem Dutzend verschiedener Verzögerungen nehmen. Es sollte jedoch festgelegt werden, welche Indikatoren zu verwenden sind und mit welchen Verzögerungen. Nehmen Sie zunächst eine große Menge von ihnen, wählen Sie einige von ihnen nach bestimmten Regeln aus, und die Summe all dieser Hunderte von endgültigen Prädiktoren wird Ihnen eine echte Chance geben, die Zukunft vorherzusagen. Nehmen Sie ein Random-Forest-Modell, füttern Sie es mit Daten und erstellen Sie einen Entscheidungsbaum. Wenn z. B. rsi[20] > 0,4 und ma(16)[20] > 1,2, usw., dann ist es ein Kauf. Und wenn der rsi < 0,1 ist, wird verkauft. Ein Beispiel dafür, wie der Wald aussieht, sehen Sie hierhttp://www.intuit.ru/studies/courses/6/6/lecture/174. Im Allgemeinen liefert Ihnen der Wald die Attribute mit nützlichen Werten und Schwellenwerten für Dutzende von Indikatoren.
Es gibt eine Feinfühligkeit, die der Wald zu schnell verlernt. Wenn Sie den Wald mit nützlichen Prädiktoren füttern, wird der Wald diese in seine Logik einbauen. Und nach der Regel "Müll rein führt zu Müll raus" wird jede Vorhersage eines Modells, die auf Müll in den Fronttest-Daten basiert, zufällig und nutzlos sein. Dies sollte bei der Auswahl der Prädiktoren immer berücksichtigt werden, und es sollten Kreuzvalidierungen durchgeführt werden, um das Modell zu testen.
Es ist, gelinde gesagt, nicht schön für andere Mitglieder, die Sie lesen und dann ihre Zeit damit verschwenden, den Weg ins Leere zu gehen.
Ich stimme völlig mit dem überein, was SanSanych hier jemals geschrieben hat, und ich empfehle Ihnen, zuzuhören. Ich habe viel von ihm gelernt, habe es mir angeschaut und notiert.