Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2106

 
Vladimir Perervenko:

¿Adónde?

Bueno, no para minimizar el RMSE o lo que sea, sino para poner tu libra de fitness ahí.

 
Vladimir Perervenko:

¿Cómo es eso?

Sólo estoy pronosticando el modelo con 500 puntos de antelación.

Es fácil hacer una previsión de 4 ondas sinusoidales (modelo), de hecho, una previsión lineal.

 
mytarmailS:

Lo he borrado, pensé que no le interesaba a nadie, puedo enviarte el código, pero necesito traducirlo en forma legible

Por cierto, me he enfrentado a la inestabilidad del método de recocido, no sé ni cómo trabajar con él, los resultados son muy inestables, los parámetros saltan mucho...


He llegado a esto

Primero inicializo aleatoriamente el punto de partida,

entonces cuando se encuentra una solución la guardo

Luego vuelvo a iniciar el quemado, pero con los parámetros iniciales de la solución encontrada, y así sucesivamente...

Por favor, escríbeme.

El recocido es inestable. Usa rgenout. Probado, fiable.

Los modelos aplican la función de pérdida. Escriba la suya propia y si el modelo le permite insertar su función de pérdida, pruébela.

 
mytarmailS:

Sólo estoy pronosticando el modelo con 500 puntos de antelación.

pero creo que para el comercio sólo los primeros 1-2 oficios

y necesitan aprender a encontrar parámetros

 
Maxim Dmitrievsky:

Se pueden utilizar 2 modelos de dirección diferentes

Intenté enseñarlo por separado utilizando mi estrategia básica - los resultados fueron peores, creo que debido a un muestreo desequilibrado - obtengo demasiados ceros y aprendo de ellos.

Quiero probar otra variante: enseñar la dirección con un modelo independiente. Resultará que el primer modelo se entrena en la volatilidad, y el segundo en su vector. Pero, de nuevo, el tamaño de la muestra debe ser grande.

 
Aleksey Vyazmikin:

Intenté enseñar mi estrategia básica por separado - los resultados fueron peores, creo que debido a un muestreo desequilibrado - hay demasiados ceros y el entrenamiento se basa en ellos.

Quiero probar otra opción: enseñar la dirección con un modelo separado. Resultará que el primer modelo se entrena en la volatilidad, y el segundo en su vector. Pero, de nuevo, la muestra debe ser grande.

Para las clases desequilibradas puede utilizar el sobremuestreo. He girado ambos modelos 2 y 3, no hay esencialmente ninguna diferencia
 
Maxim Dmitrievsky:
Se puede utilizar el sobremuestreo para las clases no equilibradas. He utilizado los dos modelos 2 y 3, y no hay prácticamente ninguna diferencia.

Es decir, ¿filas duplicadas con el objetivo "1"? Lo he probado, mi resultado apenas ha cambiado con CatBoost. Seguramente hay que añadir algo de ruido.

 
Aleksey Vyazmikin:

¿Es decir, líneas duplicadas con un objetivo "1"? Lo he probado, mi resultado apenas ha cambiado con CatBoost. Seguramente hay que añadir algo de ruido.

No duplicar. Buscar en Google el sobremuestreo, por ejemplo, SMOTE. Yo también, no aprende cuando el desequilibrio es grande. Después del sobremuestreo todo está bien.
 
Aleksey Vyazmikin:

¿Es decir, líneas duplicadas con un objetivo "1"? Lo he probado, mi resultado apenas ha cambiado con CatBoost. Seguramente hay que añadir algo de ruido.

Así es como debería ser. Es necesario equilibrar por clase de NS. Los árboles estarán bien.
 
Maxim Dmitrievsky:
No hay duplicación. Busca en Google el sobremuestreo, como SMOTE. Tampoco aprendo con grandes desequilibrios. Después del sobremuestreo, todo está bien.

Pues sí, esencialmente añadiendo ruido a las métricas del predictor. Podría afectar a los límites de cuantificación al aumentar la selección de áreas con unos, pero por idea el mismo efecto debería ser con la adición de duplicados, lo único que asumo es que los duplicados son cortados por el algoritmo CatBoost antes de que comience el aprendizaje (necesidad de verificar), entonces sí - opción.