Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 949

Nuevo comentario
 
SanSanych Fomenko:

¿Qué otra tendencia en la clasificación? Los errores de predicción de clase destrozarán la tendencia: no quedará nada de la tendencia.

Bueno, por qué no, yo sólo identifico las entradas, las salidas se elaborarán por arrastre, no por resultados de MO.

 
SanSanych Fomenko:

¡Por supuesto, por el amor de Dios!

¿Qué otros?

Los contaré.

Estoy deseando que llegue.

 
Aleksey Vyazmikin:

¡Esperando con interés!

Aquí.

Number of observations used to build the model: 20276
Missing value imputation is active.

Call:
 randomForest(formula = as.factor(arr_Buy) ~ .,
              data = crs$dataset[crs$sample, c(crs$input, crs$target)],
              ntree = 500, mtry = 7, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)

               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 7

        OOB estimate of  error rate: 17.76%
Confusion matrix:
     -1    0    1 class.error
-1 4429 1157   84   0.2188713
0   498 8288  501   0.1075697
1   102 1259 3958   0.2558752

Variable Importance
===================

                                -1     0     1 MeanDecreaseAccuracy MeanDecreaseGini
arr_LastBarPeresekD_Down_M15 56.11 64.27 64.49                69.56           211.39
arr_DonProc_M15              60.79 63.68 57.48                67.77           298.46
Levl_High_H4                 59.69 61.76 57.36                69.74           195.16
Levl_Close_W1                54.44 58.90 57.08                64.35           234.41
arr_Regresor                 56.51 55.71 56.09                61.40           212.89
Levl_Low_H4                  50.14 52.47 55.56                57.38           203.09
Levl_Low_D1                  51.00 50.52 55.24                57.91           192.80
arr_Den_Nedeli               47.86 50.18 55.22                53.55           214.23
arr_DonProcVisota            53.91 58.53 55.15                58.61           305.84
Levl_Close_MN1               51.68 51.71 54.70                58.12           228.30
Levl_Close_D1                53.13 51.06 51.83                57.80           267.86
arr_LastBarPeresekD_Up_M15   52.46 52.45 49.94                56.53           218.22
arr_DonProc                  47.96 69.45 49.35                60.33           322.91
Levl_Support_D1              52.28 52.42 49.21                56.50           253.82
Levl_Support_W1              47.90 50.98 47.38                53.37           219.35
Levl_High_W1                 48.68 47.64 47.35                52.45           144.54
Levl_Low_H1                  46.62 53.94 46.72                54.10           208.75
Levl_Support_MN1             41.67 44.57 46.52                46.83           198.77
arr_TimeH                    44.65 46.73 45.21                47.78           183.06
Levl_High_D1                 43.69 42.56 45.17                46.79           169.77
Levl_first_H4                41.65 44.09 43.92                46.57           121.20
Levl_High_MN1                37.88 40.27 42.96                42.52           142.87
X_USE_Filter_MA_02           38.67 43.46 42.57                49.19            84.23
Levl_first_H1                38.36 40.30 40.51                44.00           135.97
Levl_Low_MN1                 36.20 39.33 39.59                40.68           149.38
Levl_High_H1                 36.34 39.67 39.02                40.28           196.14
arr_LastBarPeresekD_Down     40.51 39.81 37.87                43.21           232.92
Levl_first_D1                33.94 36.19 36.47                38.99            78.20
Levl_first_MN1               30.33 33.31 35.62                34.03            99.66
arr_LastBarPeresekD_Up       32.66 40.83 35.21                38.65           238.36
Levl_Low_W1                  33.29 34.25 35.02                35.13           175.21
X_Use_Donchianf              31.06 34.26 33.54                36.21            97.49
Levl_Support_H4              33.55 38.03 33.15                36.91           248.48
Use_Filter_MA_Prirost        31.89 31.93 31.42                38.92            63.63
Levl_Close_H1                32.25 34.31 31.06                34.08           242.26
X_Use_Filter_Fibo_in_Day     29.56 30.80 30.99                36.89            71.70
Levl_Close_H4                34.27 33.26 30.79                34.17           272.58
X_USE_Filter_MA              25.90 31.13 29.25                33.87            66.11
X_Use_BarPeresek_iMA_TF      26.07 23.12 28.88                32.17            31.87
Levl_first_W1                26.50 28.50 27.21                28.70            83.33
arr_Vektor_Week              25.93 25.76 26.68                29.62            44.61
arr_Vektor_Don_M15           29.11 28.28 26.27                31.15            53.36
arr_RSI_Open_H1              30.82 29.38 25.75                36.56            45.64
Levl_Support_H1              26.88 27.87 25.56                27.72           215.06
arr_Vektor_Day               22.67 24.33 24.70                26.31            43.21
arr_Vektor_Don               23.32 25.04 21.89                25.40            65.35
arr_BB_Up                    10.94 11.71 16.86                15.05            21.55
arr_BB_Center                16.63 17.40 16.01                17.13            58.55
X_Use_ChanelEvaProc          13.36 17.13 12.74                23.63           106.51
arr_RSI_Open_M1               8.95 11.16 12.15                13.34            33.44
arr_BB_Down                  13.49 13.31  6.84                13.36            24.11
USE_Filter_MA_Donchian        3.60 -1.85  5.00                 3.82             2.32


El número de árboles necesarios ha aumentado, pero no el 100


Cuenta mal: debería contarse por columnas, peor que antes, pero sigue siendo muy decente

 
Matriz de error para el modelo Random Forest en Pred_027_2016_H2_T.csv [validar] (recuentos):

Predicción
Actual -1 0 1 Error
-1 20157 5167 292 21.3
0 2222 37861 2060 10.2
1 373 5502 17608 25.0

Matriz de error para el modelo Random Forest en Pred_027_2016_H2_T.csv [validar] (proporciones):

Predicción
Actual -1 0 1 Error
-1 22.1 5.7 0.3 21.3
0 2.4 41.5 2.3 10.2
1 0.4 6.0 19.3 25.0

Error global: 17,1%, Error medio de clase: 18,83333%.


Matriz de error para el modelo Random Forest en Pred_027_2016_H2_T.csv [prueba] (recuentos):


Predicción

Actual -1 0 1 Error

-1 19963 5131 328 21.5

0 2259 37753 2104 10.4

1 404 5703 17597 25.8


Matriz de errores del modelo Random Forest en Pred_027_2016_H2_T.csv [test] (proporciones):


Predicción

Actual -1 0 1 Error

-1 21.9 5.6 0.4 21.5

0 2.5 41.4 2.3 10.4

1 0.4 6.3 19.3 25.8


Error global: 17,4%, Error medio de clase: 19,23333%.


La notable estabilidad del error es muy alentadora.

 
SanSanych Fomenko:

Aquí.


El número de árboles necesarios ha aumentado, pero no el 100


El error no es contar correctamente: hay que contar por columnas, peor que antes, pero aún así es muy decente

Gracias. Así que el conjunto de predictores no es tan malo, ¡y hay una razón para ampliarlo!


SanSanych Fomenko:

La sorprendente estabilidad del error es muy alentadora.

¿O tal vez la muestra es muy típica? Estoy pensando que, de alguna manera, deberíamos formarnos en un archivo de 2015, y probarlo en 2016 - hay tendencias globales de la dirección opuesta, creo que el sistema no será capaz de trabajar tan eficazmente allí.

Eh, me gustaría saber cómo hacer que funcione... Me pregunto si el andamiaje en Maxim's y aquí es el mismo por la lógica de la formación o no.

 
Aleksey Vyazmikin:

Gracias. Así que el conjunto de predictores no es tan malo, ¡y tiene sentido ampliarlo!


¿O tal vez la muestra es muy típica? Estoy pensando que de alguna manera debemos entrenar en un archivo de 2015, y comprobar en 2016 - hay tendencias globales de la dirección opuesta, creo que el sistema no será capaz de trabajar tan eficazmente allí.

Eh, me gustaría saber cómo hacer que funcione... Me pregunto si el andamiaje de Maxim y el de aquí son iguales en la lógica de la formación o no.

Lo escribí arriba, y lo repetiré:

  • comprobar el poder de predicción
  • archivo dividido y ver el error en la segunda mitad.


PS.

Los predictores ya están en exceso.

 
SanSanych Fomenko:

Lo he escrito más arriba y lo vuelvo a repetir:

  • comprobar la capacidad de predicción
  • dividir el archivo y ver el error en la otra mitad.

¿Por qué dividir un archivo cuando todo está ya dividido en dos archivos? Es que no sé cómo hacerlo en R, nadie me lo ha podido explicar, aparentemente estúpido.

SanSanych Fomenko:

PS.

Los predictores ya abundan.

En realidad no, eso no es todo lo que utilizo en el trading real, incluyendo el uso de ATS.

Realmente espero que la red pueda superar al EA optimizado en la historia :)

 

¿De dónde has sacado tantos faroles? ¿Los has escogido a mano para que se ajusten a tu estrategia? es una locura :)

la lógica del andamiaje debe ser +- la misma

 

Pero aquí hay un modelo diferente:

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (counts):

      Predicted
Actual   -1     0    1 Error
    -1 6176 18666  774  75.9
    0  2242 38585 1316   8.4
    1  1333 17683 4467  81.0

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (proportions):

      Predicted
Actual  -1    0   1 Error
    -1 6.8 20.5 0.8  75.9
    0  2.5 42.3 1.4   8.4
    1  1.5 19.4 4.9  81.0

Overall error: 46%, Averaged class error: 55.1

El resultado es que todo lo demás, aunque el modelo sea cualitativamente diferente, debería funcionar mal con sus datos.


Tenemos que poner al día el bosque aleatorio

 
Aleksey Vyazmikin:


Realmente espero que la red pueda superar al EA optimizado en la historia :)

¿Por qué dividir un archivo si todo está ya dividido en dos archivos? Es que no sé cómo hacerlo en R, nadie me lo ha podido explicar, supongo que soy tonto.

Dividir es pan comido, el problema es el prejuicio contra R.


Espero que la red sea capaz de superar a un Asesor Experto optimizado en la historia :)

¿Cuál es la necesidad de la red?

1...942943944945946947948949950951952953954955956...3399
Nuevo comentario