Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 112
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
Si es así, me alegro, es mucho mejor.
De todos modos, la prueba frontal muestra un resultado mucho mejor. He dividido su archivo en 2 partes (sin barajar, sólo en orden), la primera parte tiene 50 líneas, la segunda 19. Así que jPrediction no tiene acceso a los ejemplos del segundo archivo, y serán datos realmente nuevos para el modelo.
Al final, en el segundo expediente, JPrediction sólo dio una respuesta en 9 casos. Correcto en 5 casos, erróneo en 4. La precisión es de alrededor del 50%, nada bueno en este resultado.
Todo es bueno salvo una nimiedad: no hay comparación con otros modelos.
Ofrezco mis servicios para comparar
1. Se prepara un archivo Excel de entrada que contiene los predictores y la variable objetivo
2. Usted hace el cálculo
3. Me envías el archivo de entrada.
4. Hago los cálculos utilizando randomforest, ada, SVM
Comparación.
¿Qué vas a comparar?
Randomforest, Ada y SVM son clasificadores binarios, mientras que jPrediction es ternario.
¿Tiene experiencia y un criterio adecuado para comparar los clasificadores binarios con los ternarios?
Si te parece, jPrediction está en acceso abierto, incluyendo las fuentes. Ya he publicado las instrucciones para ello. Los modelos se crean de forma trivial (no se lo digas a nadie): pulsando una sola tecla: F8. Puedes jugar con los números a tu antojo con una cara inteligente. Pero sin mi participación. Después de todo, es poco probable que necesites mi ayuda para pulsar una sola tecla, porque espero que tus padres ya te hayan permitido utilizar el ordenador por ti mismo.
Pero sólo sin mi participación.
Lástima.
Buena suerte, ciclista.
¿Qué vas a comparar?
Randomforest, Ada y SVM son clasificadores binarios, mientras que jPrediction es ternario.
¿Tiene experiencia y un criterio adecuado para comparar los clasificadores binarios con los ternarios?
Si le parece tan importante, jPrediction es de dominio público, incluido el código fuente. Ya he publicado las instrucciones para ello. Los modelos se crean de forma trivial (no se lo digas a nadie): pulsando una sola tecla: F8. Puedes jugar con los números a tu antojo con una cara inteligente. Pero sin mi participación. Al fin y al cabo, para pulsar una tecla es poco probable que se necesite mi ayuda, porque espero mucho, que los padres ya te permitan utilizar el ordenador por ti mismo...
Si quieres una respuesta inequívoca sin mirar los datos y los algoritmos....
Gracias por su exhaustiva y comprensible respuesta.
Sí, estoy hablando de lo mismo. No pueden entender que la formación de NS es un arte, y la elección del modelo adecuado se basa en muchos años de experiencia y en una cierta sensación de que éste es el correcto. Pero no, nuestros amos quieren resultados inequívocos. Por cierto, sobre la singularidad. Es bastante interesante cuando un modelo se entrena de forma inequívoca y sin ambigüedades. Y esta es una idea que tengo. Escribiré a LS....
No somos corifeos: formamos parte de la mayoría, cuyos miembros quieren los mismos resultados en el futuro que hoy. De eso trata este hilo.
Y los artistas, los sacerdotes del arte, están juntos con los mash-ups.
No somos corifeos: formamos parte de la mayoría, cuyos miembros quieren los mismos resultados en el futuro que hoy. De eso trata este hilo.
Y los artistas, los sacerdotes del arte, están con los mash-ups.
Te voy a mostrar el script en el que hice el indicador con auto-sintonía del periodo y cómo entrené el modelo,
El script se divide en dos partes, la primera crea una hoja con los periodos objetivos y los datos, el segundo script abre esta hoja y entrena el modelo.
No soy programador, si alguien está interesado, responderé a las preguntas,
1) todas las rutas en los scripts deben ser cambiadas por las suyas...
2) no trate de comprobar el modelo de la manera habitual mediante la comparación de la meta con los nuevos datos con predecir, este enfoque no funciona, es necesario alimentar los datos en el programa de análisis técnico y no simular el comercio con las paradas, hasta ahora estoy profundamente convencido de que esta es la única manera objetiva de probar el modelo
3) Entrené el modelo unas 15 veces de las cuales sólo 3 o 4 veces el modelo mostró una pequeña pérdida en los nuevos datos, lo considero entre comillas resultado "estable" y digno de atención y desarrollo posterior.
En total, se utilizaron 50.000 datos para el entrenamiento sobre 20.000 y 30.000 para la prueba sobre nuevos datos.
4) las cotizaciones son las mismas que las mías que se pueden descargar del sitio web de finamhttps://www.finam.ru/profile/mosbirzha-fyuchersy/rts/export/?market=14&em=17455&code=SPFB.RTS&apply=0&df=18&mf=7&yf=2016&from=18.08.2016&dt=18&mt=7&yt=2016&to=18.08.2016&p=7&f=SPFB.RTS_160818_160818&e=.txt&cn=SPFB.RTS&dtf=1&tmf=1&MSOR=1&mstime=on&mstimever=1&sep=1&sep2=1&datf=1&at=1
porque debido a la rareza de este foro no puedo adjuntar mis citas
como parecehttp://prntscr.com/c776d3
O puede utilizar su propia cotización de metatrader
111 creará una fecha.
222 ya está entrenando un modelo en esta fecha
Creo que entiendo por qué el ejemplo de Michael podría funcionar. La fuerza de jPrediction no está en la clasificación (una precisión del 50% en datos nuevos es como tirar una moneda al aire), sino en el hecho de que no hace ninguna predicción si los modelos del comité dan respuestas diferentes. La estrategia de Michael funciona sólo porque no opera en momentos de mercado tan poco claros en los que ambos modelos no pueden dar la misma respuesta. No importa qué predicción haga el jPrediction, habrá un 50% de error de todos modos, siempre y cuando usted no opere cuando el jPrediction se niegue a hacer una predicción. A continuación, elige la dirección de la operación (compra/venta) en función de la secuencia. Resulta que jPredictor funciona como detector de una situación demasiado caótica en el mercado cuando es mejor no operar, una aplicación muy interesante.
He intentado un enfoque similar con mis datos. Tengo más de 2 modelos en mi comisión. No pude obtener una respuesta unánime de ellos, pero si comercio cuando al menos el 80% de los modelos están de acuerdo con la respuesta, obtengo mejores resultados.
Creo que entiendo por qué el ejemplo de Michael podría funcionar. La fuerza de jPrediction no está en la clasificación (una precisión del 50% en datos nuevos es como tirar una moneda al aire), sino en el hecho de que no hace ninguna predicción si los modelos del comité dan respuestas diferentes. La estrategia de Michael funciona sólo porque no opera en momentos de mercado tan poco claros en los que ambos modelos no pueden dar la misma respuesta. No importa qué predicción haga el jPrediction, habrá un 50% de error de todos modos, lo principal es no operar cuando el jPrediction se niega a hacer una predicción. A continuación, elige la dirección de la operación (compra/venta) en función de la secuencia. Resulta que jPredictor funciona como detector de una situación demasiado caótica en el mercado cuando es mejor no operar, una aplicación muy interesante.
He intentado un enfoque similar con mis datos. Tengo más de 2 modelos en mi comisión. No obtuve una respuesta unánime de ellos, pero si comercio cuando al menos el 80% de los modelos están de acuerdo con la respuesta, obtengo mejores resultados comerciales.