Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1534
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
Indicadores de la muestra sobre la que se realizó la formación.
¿Qué pasa con la muestra fuera de la formación? ¿Los próximos seis meses, por ejemplo?
Así que tienes un logloss de ~1, lo que significa que el modelo está totalmente asustado por lo que está pasando.
Estoy ciego, ¿dónde está el logloss negativo? He especificado un logloss para todo el modelo.
¿Quieres encontrar un logloss separado para una entrada individual? ¿Es decir, la cantidad de información entre los valores de la hoja y los valores objetivo?
No estoy seguro de que logloss sea lo adecuado, quiero encontrar información de calidad y logloss busca la cantidad de todo el modelo, quizás la cantidad sirva también, no lo sé. ¿Alguna idea de cómo hacerlo?
La clase "no hace nada" está claramente desequilibrada con respecto a las otras, que es lo que escribí arriba que puede ser un problema debido al modelo de 3 clases. El resto de los indicadores son deprimentes.
Sí, desequilibrado, pero qué se le va a hacer... Por supuesto, se podrían hacer dos muestras, dividiendo la muestra en vectores, pero de nuevo se perdería parte de la información que podría ser útil. En general, estoy de acuerdo en que la muestra no está equilibrada, pero no sé cómo hacerlo sin perder información. He intentado duplicar líneas con un número reducido de objetivos, pero el efecto es negativo.
Estoy ciego, ¿dónde está el logloss negativo? He especificado un logloss para todo el modelo.
No estoy seguro de lo que es logloss, quiero encontrar información de calidad, y logloss busca más bien la cantidad de todo el modelo, quizás la cantidad sirva también, no lo sé. ¿Alguna idea de cómo hacerlo?
Sí, no está equilibrado, pero qué se le va a hacer... Por supuesto, se podrían hacer dos muestras, dividir la muestra en vectores, pero de nuevo se perdería parte de la información que podría ser útil. En general, estoy de acuerdo en que la muestra no está equilibrada, pero no sé cómo hacerlo sin perder información. He intentado duplicar las líneas con un pequeño número de objetivos - el efecto es negativo.
No es negativo, pero tiende a uno, es decir, al máximo. Debería tender a cero.
logloss muestra la correlación de sus características con el objetivo, a grandes rasgos, es decir, 0 es la correlación total, es decir, describen bien el objetivo. 1 es ninguna descripción, es decir, son completamente desinformativos. Este es un buen indicador en el sentido de que nos dice si hay alguna correlación. No tienes ninguna correlación.
No sé, que sea una clase normal de 2 y no de 3.
Y en una muestra fuera de la formación, ¿qué? ¿Los próximos seis meses, por ejemplo?
Y el muestreo fuera de la formación, por así decirlo... No lo hizo, se entrenó para alrededor del 1 de marzo de 2019, decidió que debía utilizar toda la información de 2014.
Pero, decidí ver por mí mismo lo que dan estos árboles, lo metí en EA e hice tres pases con 3 árboles diferentes desde el 1 de marzo de 2019 hasta el 15 de septiembre de 2019.
1. Primer paso de división
2. Vigésimo escalón dividido
3. Cuadragésimo octavo paso de la división
Y, en general, ¡yo mismo me sorprendo de que los tres modelos tengan resultados positivos!
Curiosamente, el 2º modelo es más suave, mientras que el 3º ya está luchando por arrastrarse hacia el lado positivo.
Curiosamente, la precisión de los modelos no se deterioró mucho, y a veces incluso mejoró. A continuación se muestra una tabla con los cambios porcentuales en relación con la muestra de entrenamiento
No puedo decir nada sobre la exhaustividad y la pérdida de registros: hay que tomar los indicadores y hacer el muestreo.
Y sí, la mayoría de los modelos entrarán en bucle cuando se entrenen a cero, ya que realmente hay una preponderancia de esa clase en relación con las otras dos, y entonces los ceros son más fáciles de encontrar - eso es lo que estropea todo.
no es negativo, sino que tiende a uno, es decir, al máximo. Debería tender a cero.
El logloss muestra cuánto se correlacionan sus características con el objetivo, a grandes rasgos, es decir, 0 es correlación total, es decir, describen bien el objetivo. 1 es ninguna descripción, es decir, son completamente desinformativos. Este es un buen indicador en el sentido de que nos dice si hay alguna correlación. No tienes ninguna correlación.
No sé, que sea un grado 2 normal en lugar de un grado 3.
No estoy seguro de si Logloss en multiclase es uno... En general, no puedo averiguar cómo implementar la fórmula yo mismo - no entiendo estas claves de fuentes públicas. Y me gustaría ver Logloss no la final, sino para toda la muestra, cómo cambia y dónde se hunde. Y según he entendido, es más correcto con una muestra equilibrada...
No estoy seguro de que Logloss para la multiclasificación sea igual a uno... En general, no puedo entender cómo implementar la fórmula por mí mismo - no entiendo estos cifrados de fuentes públicas. Y me gustaría ver Logloss no la final, sino para toda la muestra, cómo cambia y dónde se hunde. Y según tengo entendido, es correcto en una muestra equilibrada en mayor medida...
No quiero devanarnos los sesos con esto... grandes empresas como Yandex están haciendo cosas. Dicen: haz esto y estarás bien. Hazlo y no lo hagas por tu cuenta. Te ahogarás en la retórica y en los diferentes enfoques.
Muestra el cambio a medida que avanza el gradiente, construyendo árbolesY la toma de muestras fuera de la formación es algo que no se puede hacer... No lo hizo, se entrenó para alrededor del 1 de marzo de 2019, decidió que debía utilizar toda la información de 2014.
Pero, decidí ver por mí mismo lo que dan estos árboles, lo metí en EA e hice tres pases con 3 árboles diferentes desde el 1 de marzo de 2019 hasta el 15 de septiembre de 2019.
1. Primer paso de división
2. Vigésimo escalón dividido
3. Cuadragésimo octavo paso de la división
Y, en general, ¡yo mismo me sorprendo de que los tres modelos tengan resultados positivos!
Curiosamente, el 2º modelo es más suave, mientras que el 3º ya está luchando por arrastrarse hacia el lado positivo.
Curiosamente, la precisión de los modelos no se deterioró mucho, y a veces incluso mejoró. A continuación se muestra una tabla con los cambios porcentuales en relación con la muestra de entrenamiento
No puedo decir nada sobre la exhaustividad y la pérdida de registros: hay que disparar los indicadores y hacer el muestreo.
Y sí, la mayoría de los modelos harán un bucle cuando se entrenen a cero, ya que realmente hay una preponderancia de esta clase en relación con las otras dos, y entonces los ceros son más fáciles de encontrar - esto es lo que estropea todo.
Esto es lo que consigo. Acabo de mover toda la lógica del bot a python, el bosque reemplazado con boost. No puedo encontrar el error, no parece que haya miradas. Dependiendo de los ajustes, las acuras pueden aumentar hasta 0,7-0,8, al tiempo que se reduce el número de operaciones.
Para el andamio el rango de error es más o menos el mismo, pero no son acuras, es error de clasificación. Y se comporta de forma similar en trayne, incluso mejor. Pero es mucho peor en el examen.
aprendizaje:
El aprendizaje es 10 veces mayor
¿Qué hay en el camino? ¿Precios puros?
incrementos
Este fin de semana terminaré el conector y lo pondré a prueba. Tengo previsto subir el modelo a la nube y recuperar las señales del terminal. Estoy planeando poner el modelo en la nube y recuperar las señales del terminal. Puedo enviarle el cliente en MT5Un enfoque sencillo e interesante sobre cómo describir los patrones para el MdD
https://www.quanttrader.com/index.php/a-simple-algorithm-to-detect-complex-chart-patterns/KahlerPhilipp2019