Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 626
![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Pues no, hay demasiados árboles... estaba bien incluso con 10 (no recuerdo cuántos puse)
500 es mucho, suficiente para cualquier conjunto de datos
¿Por qué esos errores con números fraccionarios? ... extraño, esperaba que la máquina pudiera aprender exactamente... Así que en el caso de los patrones (en forex) su forma está lejos de ser clara (como la tabla de multiplicar) es bueno si se obtienen predicciones correctas en el 60% de los casos.
Los errores se produjeron porque el parámetro r era bajo, lo que significa que sólo se utilizó la mitad de los ejemplos para el entrenamiento, y esta mitad se entrenó en la mitad de los árboles :) y hay pocos ejemplos
hay que poner r~1 para ser exactos. Se utiliza para la pseudoregularización y para las pruebas con muestras fuera de bolsa
es que este mecanismo necesita ser ajustado, en el caso del bosque, sólo hay 2 ajustes
También debe entender que NS (RF) no es una calculadora, sino que aproxima una función, y una precisión demasiado alta es más mala que buena para muchas tareas.
Me temo que la regresión/previsión en la red producirá más o menos lo mismo que buscar sitios/patrones similares en la historia (cosa que hice hace 3 meses):
Los errores se produjeron porque el parámetro r era bajo, lo que significa que sólo se utilizó la mitad de los ejemplos para el entrenamiento, y esta mitad se entrenó en la mitad de los árboles :) y hay pocos ejemplos
hay que poner r~1 para ser exactos. Se utiliza para la pseudoregularización y para las pruebas con muestras fuera de bolsa
Sólo hay que saber afinar este mecanismo, en el caso del bosque, sólo hay 2 ajustes
Es decir, si se establece r en 1, entonces se entrenará en todas las muestras.
El bosque no utilizará todos los atributos de todos modos, por lo que hay una modificación del modelo en la que se puede establecer que se utilicen todos los atributos. Pero esto no es recomendable porque el bosque recordará todas las opciones
y la selección de los ajustes suele ser algo tan subjetivo, que hay que experimentar
si es menor que 1, entonces en las muestras restantes se valida el modelo (el modelo se estima en los datos que no se tomaron en la muestra de entrenamiento). r clásico es 0,67, en el 33% restante se valida el modelo. Por supuesto, esto es cierto para las muestras grandes, para las pequeñas es igual que con la tabla de multiplicar - es mejor poner 1.
El bosque no utilizará todos los atributos de todos modos, por lo que hay una modificación del modelo en la que se puede establecer que se utilicen todos los atributos. Pero esto no es recomendable porque el bosque recordará todas las opciones
y la selección de los ajustes suele ser algo tan subjetivo, que hay que experimentar
Si es inferior a 1, el modelo se valida en las muestras restantes (el modelo se estima en los datos que no se tomaron en la muestra de entrenamiento). Según el clásico r se fija en 0,67, el modelo se valida en el 33% restante
Selección de características
Un poco de búsqueda de datos. Estaba haciendo la selección de características a través de Chi^2 + KBest, RFE (Recursive feature elimination) + (SGDClassifier, RidgeClassifier), L2 (Ridge, RidgeClassifier), L1 (Lasso). La regularización de la cresta da resultados más sanos.
![rfe rfe](https://c.mql5.com/3/170/x_rfe-_table__1.png)
Algunos gráficos:
RFE + Ridge y SGD
Regresión de cresta (L2).
Clasificador de cresta (L2)
El archivo contiene una tabla con los valores de los parámetros y su muestreo por selección de características.
Los coeficientes más significativos resultaron ser:
- 10, 11 - Cerrar, Delta (Abrir-Cerrar)
- 18-20 - Derivado Alto, Bajo, Cierre
- 24 - Cierre de la derivación del registro
- 29, 30 - Lowess
- 33 - Detranding Close - Lowess
- 35 - EMA 26 (13 como opción)
- 40 - Derivados EMA 13
PS. La línea del clasificador Ridge en la tabla se basa en una clase, no refleja la dependencia de los parámetros de las otras clases.Referencia al guión.
esbozó un nuevo diagrama de red, esta es la primera descripción. Más adelante habrá más (ojalá)
https://rationatrix.blogspot.ru/2018/01/blog-post.html
esbozó un nuevo diagrama de red, esta es la primera descripción. Más adelante habrá más (ojalá)
https://rationatrix.blogspot.ru/2018/01/blog-post.html
Me pregunto por qué se ha borrado el primer post. Ha publicado el plan en el blog. =)