Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1280

[Alexander_K2]

Mantengo mi opinión: hay dos parientes incuestionables del venerable KsanKsanych (Fa). 1) Alyoshenka el hijo, que fue atrapado por inversores furiosos, y 2) el nieto Kesha, que promete miles de millones a quien lea las creaciones de su abuelo.

Por favor, no confunda las dos cosas.

[Aleksey Vyazmikin]

Interesante opinión de un profesional del juego StarCraft 2 sobre lo que está pasando. Especialmente sobre las trampas en el último partido. No debemos olvidar que la organización de este tipo de espectáculos por parte de las grandes empresas es ante todo una maniobra de marketing. Lo correcto sería comprar sus acciones para este evento intradía.

[Forester]

Si le interesa, puede comparar las tablas de importancia por permutación y por eliminación de predictores reales

Importancia de los predictores por fuerza bruta (borrando 1) , característica, valor absoluto, valor relacionado * 100 1) 17 0.01097643069603077 99 2) 30 0.006790004907923086 61 3) 61 0.004684715336508855 42 4) 2 -0.0002692516957934765 -2 5) 59 -0.0006465367565449825 -5 6) 34 -0.0006503517167333328 -5 7) 5 -0.001340840857516234 -12 8) 41 -0.001504570905518282 -13 9) 15 -0.001971414359495396 -17 10) 49 -0.002008411960897655 -18 11) 6 -0.002027305543154334 -18 12) 55 -0.002292162160081906 -20 13) 47 -0.002398304141661728 -21 14) 29 -0.003010337993465118 -27 15) 51 -0.004160368206123241 -37 16) 45 -0.004454751375256194 -40 17) 31 -0.004888451443569572 -44 18) 0 -0.00493201061731692 -44 19) 48 -0.005610904510929521 -51 20) 3 -0.005764515487066274 -52 21) 57 -0.005965409431599886 -54 22) 10 -0.006056332510674986 -55 23) 35 -0.006367565963429744 -58 24) 58 -0.006638024809636447 -60 25) 43 -0.007371220115761079 -67 26) 9 -0.007420288551508419 -67 27) 21 -0.007838972444520739 -71 28) 4 -0.007840269966254226 -71 29) 44 -0.008004942292835771 -72 30) 16 -0.008290498838290847 -75 31) 36 -0.008995332552560964 -81 32) 50 -0.009024243316015798 -82 33) 27 -0.009105675807931257 -82 34) 24 -0.01027361001595535 -93 35) 7 -0.01052719088846928 -95 36) 26 -0.01082406611271462 -98 37) 18 -0.01155880619525071 -105 38) 60 -0.01156309946744785 -105 39) 56 -0.01203862169736691 -109 40) 1 -0.01203862169736691 -109 41) 25 -0.0122272134638268 -111 42) 38 -0.01241174339783128 -113 43) 62 -0.01249635462233889 -113 44) 28 -0.01266702047388507 -115 45) 11 -0.01359028620740281 -123 46) 39 -0.01404126970316556 -127 47) 20 -0.01439737068264699 -131 48) 52 -0.01439756725211659 -131 49) 42 -0.01444571512808378 -131 50) 22 -0.01551886866180208 -141 51) 33 -0.01615798882405024 -147 52) 12 -0.01905830020505599 -173 53) 14 -0.01926462731981513 -175 54) 37 -0.01995084300903066 -181 55) 40 -0.020510512124551 -186 56) 19 -0.021415509666178 -195 57) 63 -0.02151966963894812 -196 58) 54 -0.02355949029687353 -214 59) 64 -0.02507021252693609 -228 60) 32 -0.02702794503628224 -246 61) 8 -0.02803580711831312 -255 62) 13 -0.03090123190409769 -281 63) 46 -0.03344678821960098 -304 64) 53 -0.03558721250407129 -324 65) 23 -0.04407219798162174 -401

Importancia de los predictores según el método de permutación 0) 0,043401, valor absoluto, valor relacionado * 100 1) 55 0.04340158682225395 99 2) 61 0.02562763893643727 59 3) 58 0.02546470705535522 58 4) 56 0.02529445125891924 58 5) 59 0.02513377163594621 57 6) 57 0.02208166602125552 50 7) 64 0.02019285632774162 46 8) 60 0.0160907362360114 37 9) 43 0.0125324616278514 28 10) 35 0.01239249171969528 28 11) 13 0.01233138008911674 28 12) 24 0.01170363669371338 26 13) 62 0.01162424331038356 26 14) 63 0.01149019906346291 26 15) 45 0.01127777161657609 25 16) 34 0.01085020622422195 24 17) 46 0.01061844113396632 24 18) 20 0.01007598993178244 23 19) 2 0.009874770749918993 22 20) 19 0.00973881761283335 22 21) 1 0.009100774421598679 20 22) 32 0.009027289557555301 20 23) 9 0.008970631365350451 20 24) 54 0.00802484531062575 18 25) 8 0.007874015748031482 18 26) 53 0.007388216046985141 17 27) 41 0.006952887365763216 16 28) 12 0.0065631543248105 15 29) 21 0.006511968996697037 15 30) 31 0.006445981174562854 14 31) 30 0.005790682414698156 13 32) 42 0.005742446472030011 13 33) 22 0.003590654957257189 8 34) 4 0.003590358440616087 8 35) 38 0.00350243104857792 8 36) 10 0.00350243104857792 8 37) 29 0.003392223030944636 7 38) 5 0.003253553701826867 7 39) 52 0.003019071994331074 6 40) 11 0.002622140078149371 6 41) 15 0.001506974549529611 3 42) 49 0.001178236999850979 2 43) 27 0.000646877104963639 1 44) 23 0.0001088642328799794 0 45) 0 -0.0007427642973199949 -1 46) 36 -0.0008086747680855211 -1 47) 18 -0.001719116017552688 -3 48) 16 -0.003868408494392753 -8 49) 7 -0.004264601904658535 -9 50) 25 -0.004436590312574581 -10 51) 44 -0.004549722466056144 -10 52) 17 -0.005094229165450173 -11 53) 33 -0.007112771718937178 -16 54) 50 -0.008009653155771651 -18 55) 6 -0.008725562553674474 -20 56) 26 -0.01000190433609049 -23 57) 47 -0.01158648521535965 -26 58) 3 -0.01809942562041326 -41 59) 51 -0.01843159353630121 -42 60) 39 -0.02375369534904158 -54 61) 40 -0.02659139305699997 -61 62) 37 -0.02970174182772609 -68 63) 48 -0.031083105562031 -71 64) 14 -0.03323633066169551 -76 65) 28 -0.03952723165321592 -91

Por permutación, las 10 primeras líneas muestran que si eliminamos un predictor, el error empeorará entre un 2 y un 6%, las 10 primeras de la enumeración sólo un 0,1-0,2%, ya que en la práctica el árbol siempre encontrará otro predictor para el que haya una separación casi tan buena (principalmente debido a los correlacionados con el predictor que se elimina, pero aunque se eliminen previamente, se seguirá encontrando algo).

Curiosamente, casi la mitad de los predictores muestran una importancia negativa cuando se eliminan realmente, es decir, si se eliminan se reduce el error del árbol, es decir, son claramente ruidosos. Pero el más ruidoso es sólo un 0,5% peor.
Y el hecho de que el orden de importancia no sea en absoluto similar conduce a la idea de que sigue siendo mejor filtrar los predictores ruidosos mediante la enumeración.

[Maxim Dmitrievsky]

Tal vez porque hay que comparar con algún tipo de referencia o ejemplo conocido, no caliente con luz.

+La velocidad es muy importante. Como alglib no tiene importaciones incorporadas, creo que la permutación es lo óptimo ahora mismo (he probado un montón de métodos de fuerza bruta)

[Aleksey Vyazmikin]

elibrarius:

Por permutación, las 10 primeras líneas muestran que si se elimina un predictor, el error empeorará entre un 2 y un 6%, las 10 primeras de la enumeración - sólo un 0,1-0,2%, porque en la práctica el árbol siempre encontrará otro predictor para el que habrá casi tan buena separación (principalmente debido a la correlación con el predictor eliminado, pero incluso si se eliminan previamente, se seguirá encontrando algo).

¿Por qué necesita el error global, tiene una muestra binaria de equilibrio? Me inclino más por encontrar formas de mejorar la precisión de la clase 1.

[Forester]

Aleksey Vyazmikin:

¿Por qué necesita un error común, tiene un muestreo binario de equilibrio?

El error común no es una hoja individual, sino un árbol/bosque.

Aleksey Vyazmikin:

Me inclino más por encontrar formas de mejorar la precisión de la clase 1.

Yo también)

[Forester]

Maxim Dmitrievsky:

Tal vez porque hay que comparar con algún tipo de referencia o ejemplo conocido, no caliente con luz.

+La velocidad es muy importante. Como alglib no tiene importaciones incorporadas, creo que barajar es lo óptimo ahora (probé un montón de métodos de fuerza bruta).

La sobrecarga (borrar/añadir 1) es el punto de referencia con el que deben compararse todos los demás métodos. Pero es largo, estoy de acuerdo. Pero si añade al menos un 5%, estoy dispuesto a esperar.

[Forester]

Otro pequeño experimento con la permutación.
Con diferentes ejecuciones en el mismo árbol, debido a la aleatoriedad de la permutación, el orden de importancia también cambia

[Aleksey Vyazmikin]

elibrarius:
Otro pequeño experimento con la permutación.
Con diferentes ejecuciones en el mismo árbol, debido a la aleatoriedad de la permutación el orden de importancia también cambia

Me gustaría aclarar, ¿sobre qué muestra se comprueba el resultado del método de permutación, sobre la que se ha entrenado o sobre la de prueba?

Entiendo que el ruido es algo que deja de funcionar en absoluto en una muestra fuera de la formación. Pero no creo que se trate de un único predictor, sino más bien de relaciones/hojas. Es decir, hay dos posibilidades: que el predictor sea una basura o que no se utilice correctamente, es decir, que las hojas sean una basura.

[Forester]

Aleksey Vyazmikin:

Me gustaría aclarar, ¿sobre qué muestra se comprueba el resultado del método de permutación, sobre la que se ha entrenado o sobre la de prueba?

Entiendo que el ruido es algo que deja de funcionar en absoluto en una muestra fuera de la formación. Pero no creo que se trate de un solo predictor, sino más bien de relaciones/hojas. Es decir, hay dos posibilidades: que el predictor sea una porquería o que no se utilice correctamente, es decir, que las hojas sean una porquería.

En el de aprendizaje, ya que los árboles no están entrenados. En los árboles sobreentrenados, debería estar en el árbol de prueba, ya que el árbol también recordaría el ruido.
Con los árboles no entrenados no importa.
Pero el tamaño de la muestra sí importa. Cuanto más grande es, más representativo es. Y mi parcela de entrenamiento es 3 veces mayor.

---------

Desde el tutorial de https://www.mql5.com/ru/blogs/post/723619, una gran muestra representativa hace innecesario el equilibrio entre clases, reduciendo la aleatoriedad temporal. Transferido a los árboles no entrenados.
Pero puede que me equivoque y tenga que comprobar la significación de los predictores en el gráfico de prueba.