L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 194
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Eh bien, j'ai encore remarqué cette chose. Le problème, c'est que j'ai un ensemble de données, perdicts 12, puis leurs décalages, lag1 et lag2. Auparavant, les entrées étaient surtout au début de l'ensemble, c'est-à-dire que les lags étaient peu nombreux et ne dépassaient pas le lag1, rarement le lag2. Je peux comprendre que l'échantillon soit surchargé de données, mais le fait est qu'avant la généralisation, les lag1 et lag2 étaient plus fréquents. Mais c'est un fait qu'avant la généralisation se faisait surtout dans les colonnes initiales, maintenant elle se fait dans les colonnes finales..... presque, donc des déductions sont faites....
Vous devez donc revenir aux versions précédentes.
Mon vol se passe bien. Peut-être parce qu'il n'y a pas de décalage dans l'échantillon ?
Ça a l'air bien en général, je me demande ce qui va se passer à la fin.
À propos du comité - j'ai publié quelques exemples, mais il existe des modèles qui utilisent la régression avec arrondi pour classer, et ce n'est pas aussi clair. J'ai essayé deux façons différentes de combiner les votes :
1) Arrondissez tout aux classes, prenez la classe pour laquelle il y aura le plus de votes.
C'est-à-dire avoir une prévision à 4 barres à partir de trois modèles.
c(0,1, 0,5, 0,4, 0,4) c(0,6, 0,5, 0,7, 0,1) c(0,1, 0,2, 0,5, 0,7) Je l'arrondis ensuite aux classes
c(0, 1, 0, 0) c(1,1,1,0) c(0,0,1,1) , et le vecteur final avec les prédictions serait c(0, 1, 1, 0) par nombre de votes.
2) une autre option consiste à trouver tout de suite le résultat moyen, et seulement ensuite à l'arrondir aux classes supérieures
le résultat serait c((0.1+0.6+0.1)/3, (0.5+0.5+0.2)/3, (0.4+0.7+0.5)/3, (0.4+0.1+0.7)/3)
soit (0,2666667, 0,4000000, 0,5333333, 0,4000000), soit
c(0, 0, 1, 0)
Paquet tsDyn Fonction SETAR
Il s'avère que la valeur du seuil (il peut y avoir deux seuils comme dans le RSI) est variable. Donne des résultats étonnants.
N'oublions pas non plus les algorithmes de calibration dans la classification. Le fait est que la prédiction de classe en réalité n'est pas une valeur nominale, l'algorithme calcule la probabilité de classe, qui est un nombre réel. Ensuite, cette probabilité est divisée, par exemple, par la moitié et vous obtenez deux classes. Et si la probabilité est de 0,49 et 051, ça fait deux classes ? Que diriez-vous de 0,48 et 052 ? S'agit-il d'une division en classes ? C'est ici que SETAR se diviserait en deux classes, entre lesquelles se trouveraient les Reshetovskie "on the fence".
Ça a l'air bien en général, je me demande ce qui va se passer à la fin.
À propos du comité - j'ai publié quelques exemples, mais il existe des modèles qui utilisent la régression avec arrondi pour classer, et ce n'est pas aussi clair. J'ai essayé deux façons différentes de combiner les votes :
1) arrondir tout à des classes, prendre la classe qui obtient le plus de votes.
C'est-à-dire avoir une prévision à 4 barres à partir de trois modèles
c(0,1, 0,5, 0,4, 0,4) c(0,6, 0,5, 0,7, 0,1) c(0,1, 0,2, 0,5, 0.7) J'arrondirais ensuite à des classes
c(0, 1, 0, 0) c(1,1,1,0) c(0,0,1,1) , et le vecteur final avec les prédictions serait c(0, 1, 1, 0) par nombre de votes.
2) l'autre option consiste à trouver directement le résultat moyen, puis à l'arrondir aux classes supérieures
le résultat serait c((0.1+0.6+0.1)/3, (0.5+0.5+0.2)/3, (0.4+0.7+0.5)/3, (0.4+0.1+0.7)/3)
ou (0.2666667, 0.533333, c(0, 0, 1) ou
)
Les gars, s'il vous plaît, aidez-moi avec ce problème parce que je ne pense pas que je vais obtenir une réponse.
http://ru.stackoverflow.com/questions/586979/%D0%9A%D0%B0%D0%BA-%D0%B8%D0%B7-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%B2%D1%8B%D1%87%D0%BB%D0%B5%D0%BD%D0%B8%D1%82%D1%8C-%D0%BD%D0%B5%D0%BA%D0%B8%D0%B5-%D0%B3%D1%80%D1%83%D0%BF%D0%BF%D1%8B-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%BF%D0%BE-%D1%83%D1%81%D0%BB%D0%BE%D0%B2%D0%B8%D1%8E
Vous pouvez répondre ici aussi, ça m'est égal.
Je vais donc répondre ici.
dat <- data.frame(cluster1=c(24,2,13,23,6), cluster2=c(5,15,13,28,12), cluster3=c(18,12,16,22,20), cluster4=c(21,7,29,10,25), cluster5=c(16,22,24,4,11), target.label=c(1,1,0,1,0))
dat <- rbind(dat, dat[1,], dat[1,])
#результат последней строки поменян на 0 для эксперимента
dat[7,"target.label"]=0
library(sqldf)
#для sqldf точек в названиях колонок быть не должно
colnames(dat)[6] <- "target"
dat1 <- sqldf( "select cluster1, cluster2, cluster3, cluster4, cluster5, avg(target) as target_avg, count(target) as target_count from dat group by cluster1, cluster2, cluster3, cluster4, cluster5" )
dat1
dat1[ dat1$target_count>=10 & dat1$target_avg>0.63 , ]
dat1[ dat1$target_count>=10 & ( dat1$target_avg<0.37 | dat1$target_avg>0.63 ), ] #на случай если оба "0" или "1" встречаются чаще 70%
Le paquet tsDyn est une fonction de SETAR
SETAR fait spécifiquement référence à la calibration des comités, ou s'agit-il d'un sujet distinct pour la création de modèles financiers ?
J'ai feuilleté le manuel de l'emballage, je n'ai pas vu ce dont j'ai besoin... Je suis dans une situation où j'ai un tableau d'apprentissage avec 10000 exemples. Et il y a 100 modèles formés sur ces exemples. Pour tester les modèles, vous pouvez les utiliser pour prédire les mêmes données d'entrée et obtenir 100 vecteurs ayant chacun 10000 prédictions. SETAR pourrait être utilisé pour fusionner ces 100 vecteurs en un seul ?
Et ensuite, pour une prévision avec de nouvelles données, il y aurait à nouveau 100 prévisions et nous devrions les fusionner en une seule (il n'y aurait pas 100 vecteurs mais 100 prévisions individuelles). SETAR sera-t-il capable de le faire aussi, en utilisant les paramètres du comité obtenus à partir des données d'entraînement ?
SETAR fait spécifiquement référence à la calibration des comités, ou s'agit-il d'un sujet distinct pour la création de modèles financiers ?
J'ai feuilleté le manuel du paquet, je ne vois pas ce dont j'ai besoin... Voici la situation : j'ai un tableau d'entraînement avec 10000 exemples. J'ai 100 modèles formés sur ces exemples. Pour tester les modèles, vous pouvez les utiliser pour prédire les mêmes données d'entrée et obtenir 100 vecteurs ayant chacun 10000 prédictions. SETAR pourrait être utilisé pour fusionner ces 100 vecteurs en un seul ?
Et ensuite, pour une prévision avec de nouvelles données, il y aurait à nouveau 100 prévisions et nous devrions les fusionner en une seule (il n'y aurait pas 100 vecteurs mais seulement 100 prévisions individuelles). SETAR sera-t-il capable de faire cela aussi, en utilisant les paramètres du comité dérivés des données d'entraînement ?
Vous devez alors revenir aux versions précédentes.
Je fonctionne bien. Peut-être parce qu'il n'y a pas de décalage dans l'échantillon ?