L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 927

 
Dr. Trader:


Programmaticalement, l'arbre peut être décrit comme suit :

Et il n'y a pas de noms exacts pour les prédicteurs - l'image modélise les noms juste.....

 

Voici les noms complets :

Je vais essayer de faire la même chose pour mnogoVhodov_02. Je vais laisser le script travailler pendant la nuit, demain après-midi je montrerai ce que j'ai obtenu.

Cependant, la précision du modèle pour malovhodov n'est pas très bonne, il y a beaucoup de fausses entrées. Je ne ferais pas de commerce ;)

 
forexman77:

Ma forêt de vraies et fausses marques a traversé.

La classe recherchée est plus de la moitié dans une autre classe dans le test, mais elle était bien divisée dans la formation).

Bon résultat. Je n'utilise pas la forêt, mais un seul arbre, ce qui explique probablement pourquoi mes résultats sont nettement moins bons.

Et quels sont les résultats du test avec les données d'un autre fichier ? (année différente)

 
Dr. Trader:

Voici les noms complets :

Je vais essayer de faire la même chose pour mnogoVhodov_02. Je vais laisser le script travailler pendant la nuit, demain après-midi je montrerai ce que j'ai obtenu.

Cependant, la précision du modèle pour malovhodov n'est pas très bonne, il y a trop de fausses entrées. Je ne ferais pas de commerce ;)

Merci pour l'écran complet de l'arbre, je vais maintenant l'essayer avec l'arbre du programme.

Je ne pense pas que je vais l'utiliser pour une raison quelconque, si je commence à travailler avec elle plus tard, j'ai de grands espoirs pour les bois, le résultat devrait atteindre mieux que 15% et je m'attends à ce qu'il soit bon.

Et pour ce qui est des entrées faibles, c'est à cela que sert l'ensemble des filtres - l'idée est d'améliorer les choses dans l'ensemble.
 
Dr. Trader:

Quels sont les résultats d'un test avec des données provenant d'un fichier différent ? (année différente)

Voici mes données (un seul fichier). Le test y est de 25%.

 
Dr. Trader:

Voici les noms complets :

Je vais essayer de faire la même chose pour mnogoVhodov_02. Je vais laisser le script travailler pendant la nuit, demain après-midi je montrerai ce que j'ai obtenu.

Cependant, la précision du modèle pour malovhodov n'est pas très bonne, il y a trop de fausses entrées).

J'ai construit l'arbre dans le programme Deductor selon lequel aucune des cibles n'a été trouvée.

 
J'ai imaginé un algorithme pour trouver des combinaisons de prédicteurs, mais je n'ai aucune idée de la façon de procéder.
 

Je vois que les passions sont encore vives... Pendant ce temps, la semaine a été consacrée à la comparaison des deux réseaux dans la bataille. J'ai pensé, pourquoi devrais-je te nourrir avec toutes sortes de tests, etc... La meilleure façon de résoudre un problème est le combat et le résultat est le suivant...

ELMNN- les réseaux construits en R ont fonctionné pendant une semaine comme ceci...

jPrediction- Reshettes like this....

C'est difficile de juger qui est le plus cool. Je pense que les deux optimiseurs sont bons. Mais c'est ici que ça se présente le mieux.....

Et pas besoin de le frotter dans le visage de grand-mère !!!!!!!!

 

Pourvu qu'Akello ne rate pas encore la semaine prochaine.

Je me rends compte que mes stratégies de base sont nulles. Quelqu'un peut-il me donner quelques stratégies de base que je peux essayer d'améliorer avec mes agents ?

 
Dr. Trader:

J'ai essayé Malovhodov pour commencer.

J'ai essayé d'apprendre à la forêt à prédire arr_Buy à partir de 2015 sur la base de arr_Vektor_Week, arr_Vektor_Day, etc.

Les classes sont très déséquilibrées (il y a 10 fois plus d'exemples de classe 0 que de classe 1), ce qui ajoute beaucoup de difficulté.

Il s'agit de l'arbre 2015 formé sur


y_pred
y_true01
09726886118
1552912256

Dans les deux cas, la prédiction est peu précise, mais la précision est au moins supérieure à 50 % dans les deux cas.


J'ai arrêté de compter les erreurs de ces tables comme standard.

Mon raisonnement est le suivant : la classe initiale " 0 " a donné une prédiction de la classe " 1 " = 86118, et la classe " 1 " a donné une prédiction de la classe " 1 " = 12256. Cela signifie que lors du trading, nous obtiendrons une prédiction de classe fausse = 86118, alors que la prédiction correcte = 12256, c'est-à-dire une erreur = 86116/(86116+12256) = 87,5%9( !!), si la classe "1" = entrée/position - c'est un désastre. Mais la position de la classe "0" est très bonne - les zéros erronés dans la prise de décision ne seront que de 5,3%.