Maxim Dmitrievsky / Perfil
- Información
10+ años
experiencia
|
1
productos
|
14382
versiones demo
|
0
trabajos
|
0
señales
|
0
suscriptores
|
![Maxim Dmitrievsky](https://c.mql5.com/avatar/2024/3/66034e17-bb79.jpg)
https://www.mql5.com/ru/channels/machinelearning
![Кластеризация временных рядов в причинно-следственном выводе](https://c.mql5.com/2/74/Time_series_clustering_in_causal_inference___LOGO.png)
Алгоритмы кластеризации в машинном обучении — это важные алгоритмы обучения без учителя, которые позволяют разделять исходные данные на группы с похожими наблюдениями. Используя эти группы, можно проводить анализ рынка для конкретного кластера, искать наиболее устойчивые кластеры на новых данных, а также делать причинно-следственный вывод. В статье предложен авторский метод кластеризации временных рядов на языке Python.
![Propensity score in causal inference](https://c.mql5.com/2/72/Propensity_score_in_causal_inference____LOGO.png)
The article examines the topic of matching in causal inference. Matching is used to compare similar observations in a data set. This is necessary to correctly determine causal effects and get rid of bias. The author explains how this helps in building trading systems based on machine learning, which become more stable on new data they were not trained on. The propensity score plays a central role and is widely used in causal inference.
![Causal inference in time series classification problems](https://c.mql5.com/2/66/Causal_inference_in_time_series_classification_problems___LOGO.png)
In this article, we will look at the theory of causal inference using machine learning, as well as the custom approach implementation in Python. Causal inference and causal thinking have their roots in philosophy and psychology and play an important role in our understanding of reality.
![Validación cruzada y fundamentos de la inferencia causal en modelos CatBoost, exportación a formato ONNX](https://c.mql5.com/2/60/CatBoost_export_to_ONNX_format_LOGO.png)
En este artículo veremos un método de autor para crear bots utilizando el aprendizaje automático.
![Aprendizaje de máquinas en sistemas comerciales con cuadrícula y martingale. ¿Apostaría por ello?](https://c.mql5.com/2/42/yandex_catboost__3.png)
En este artículo, presentaremos al lector la técnica del aprendizaje automático para el comercio con martingale y cuadrícula. Para nuestra sorpresa, este enfoque, por algún motivo, no se ha tratado en absoluto en la red global. Después de leer el artículo, podremos crear nuestros propios bots.
![Buscando patrones estacionales en el mercado de divisas con la ayuda del algoritmo CatBoost](https://c.mql5.com/2/41/yandex_catboost__3.png)
En el presente artículo, mostramos la posibilidad de crear modelos de aprendizaje automático con filtros temporales y también descubrimos la efectividad de este enfoque. Ahora, podremos descartar el factor humano, diciéndole simplemente al modelo: "Quiero que comercies a una hora determinada de un día concreto de la semana". Así, podremos delegar en el algoritmo la búsqueda de patrones.
![Gradient boosting en el aprendizaje de máquinas transductivo y activo](https://c.mql5.com/2/41/yandex_catboost__2.png)
En este artículo, el lector podrá familiarizarse con los métodos de aprendizaje automático activo basados en datos reales, descubriendo además cuáles son sus ventajas y desventajas. Puede que estos métodos terminen por ocupar un lugar en su arsenal de modelos de aprendizaje automático. El término transducción fue introducido por Vladímir Naúmovich Vápnik, el inventor de la máquina de vectores de soporte (SVM).
![Remuestreo avanzado y selección de modelos CatBoost con el método de fuerza bruta](https://c.mql5.com/2/41/yandex_catboost__1.png)
Este artículo describe uno de los posibles enfoques respecto a la transformación de datos para mejorar las capacidades generalizadoras del modelo, y también analiza la iteración sobre los modelos CatBoost y la elección del mejor de ellos.
![Gradient boosting (CatBoost) en las tareas de construcción de sistemas comerciales. Un enfoque ingenuo](https://c.mql5.com/2/41/yandex_catboost.png)
Entrenamiento del clasificador CatBoost en el lenguaje Python, exportación al formato mql5; análisis de los parámetros del modelo y simulador de estrategias personalizado. Para preparar los datos y entrenar el modelo, se usan el lenguaje de programación Python y la biblioteca MetaTrader5.
![El enfoque econométrico en la búsqueda de leyes de mercado: autocorrelación, mapas de calor y diagramas de dispersión](https://c.mql5.com/2/37/jlp_0d3zw11j.png)
Investigación ampliada de características estacionales: autocorrelación, mapas de calor y diagramas de dispersión. El objetivo de este artículo es mostrar que la "memoria del mercado" tiene un carácter estacional que se muestra a través de la maximización de la correlación de los incrementos de orden aleatorio.