Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2121
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
Lo hice, pero no funcionó.
Eso es raro... De acuerdo, voy a echar otro vistazo a este tema - te lo haré saber más tarde.
que no figura en la documentación oficial.
Maxim, ¿puedes comparar dónde es más rápida la velocidad de aprendizaje, en python o en la versión de consola de CatBoost?
Extraño... De acuerdo, voy a echar otro vistazo a este hilo, luego informaré.
Primero habló de memoria y resultó estar equivocado.
Acabo de comprobarlo con una validación cruzada. El tiempo sigue dando un 1-2% de aumento en los nuevos datos. Mientras que la prevalencia total de las predicciones exitosas sobre las no exitosas es de alrededor del 5% en TP=SL. En otras palabras, del 10 al 30% de la contribución al éxito proviene del tiempo.
Sin embargo, se trata de una prueba sobre un trozo de historia de 2 meses. En otra parte de la historia, las cosas pueden cambiar.Alimento el tiempo como coseno y seno. Esto se ha discutido aquí https://www.mql5.com/ru/forum/212376#comment_5983502
Al igual que el 0...5(día de la semana) o el 0...23 (hora) o el 0...59 (minuto) también pueden ser alimentados, pero como una variable categórica.
El seno y el coseno ya son numéricos, cualquier algoritmo lo acepta.
existe una tendencia relativamente nueva llamada aprendizaje activo. Puede auto-muestrear los datos de la mejor manera posible. Parece ser adecuado para mi enfoque (muestreo aleatorio). Todavía no me he puesto a ello.
https://libact.readthedocs.io/en/latest/overview.html
https://medium.com/towards-artificial-intelligence/how-to-use-active-learning-to-iteratively-improve-your-machine-learning-models-1c6164bdab99
A medida que avanzamos, las frecuencias y posiblemente las fases están flotando... Las amplitudes se mantienen...
Aquí está la previsión para 500 puntos del modelo ajustado en el historial de 10k de 4 armónicos
Podemos ver que la previsión es precisa para los 500 puntos, pero las frecuencias son fluctuantes y utilizan un algoritmo incomprensible
Y esto es sólo un ejemplo ilustrativo, a veces es incluso peor.
¿Lo has probado en incrementos?
"Una de las propiedades útiles de una serie de incrementos es la mayor estabilidad del espectro en comparación con el proceso original. "... Esto es lo que escribe Goodman.
Alimento el tiempo como coseno y seno. Esto se ha discutido aquí https://www.mql5.com/ru/forum/212376#comment_5983502
Al igual que el 0...5(día de la semana) o el 0...23 (hora) o el 0...59 (minuto) también pueden ser alimentados, pero como una variable categórica.
El seno y el coseno ya son numéricos, cualquier algoritmo lo acepta.
¿Puedes publicar la función que convierte el tiempo en seno/coseno? Yo también probaría este método. En el artículo que publiqué, el número de horas resultó ser un factor de predicción significativo. Me pregunto si este método es adecuado para los modelos de madera o más bien para las redes neuronales.
¿Lo has probado en incrementos?
"Una de las propiedades útiles de una serie de incrementos es la mayor estabilidad del espectro en comparación con el proceso original. "... Esto es lo que escribe Goodman.
no