L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2115

 
Aleksey Vyazmikin:

Le sur-échantillonnage ne donne rien jusqu'à présent, mais le "tome" a un peu amélioré le résultat - cela signifie qu'il y a quelque chose dans les données, l'essentiel est de creuser correctement.

Histogramme des modèles avec différents paramètres de quantification sur l'échantillon.


Cela permet de mieux délimiter les classes. Il en va de même pour les données, afin que la séparation en classes soit claire et que les exemples ne se chevauchent pas.

et je sais même comment le faire... c'est plutôt intelligent, mais je ne l'ai pas encore fait.
 
Maxim Dmitrievsky:

cela permet de mieux délimiter les classes. C'est également de cette manière que les données doivent être préparées - de manière à ce que la division en classes soit claire, que les exemples ne se chevauchent pas.

et je sais même comment le faire... je suis assez intelligent, mais je ne l'ai pas encore fait

Je me demande comment ? Dans notre domaine, les classes peuvent généralement être décrites comme étant uniformément mélangées.

 
Maxim Dmitrievsky:

cela permet de mieux délimiter les classes. Les données doivent également être préparées de la même manière - de sorte que la division en classes soit claire, les exemples ne se chevauchent pas...

et je sais même comment le faire... c'est plutôt intelligent, mais je ne l'ai pas encore fait.
Maxim Dmitrievsky:
Ajouter le clustering à l'échantillonnage des étiquettes. Regroupement par les mêmes attributs, puis échantillonnage avec les clusters. Les classes seront séparées, mais on ne sait pas ce qu'il adviendra des nouvelles données. Cela devrait s'améliorer, en théorie.

J'ai donc abordé cette idée ici cette semaine :)

Je suggère seulement de diminuer le nombre de classes principales.

 
Aleksey Vyazmikin:

J'ai donc couvert cette idée ici cette semaine :)

Je suggère seulement de réduire le nombre de classes principales.

Je n'ai pas vu
 
Maxim Dmitrievsky:
je n'ai pas vu

Existe-t-il des méthodes/outils qui permettent de le faire automatiquement ?

 
Aleksey Vyazmikin:

Existe-t-il des méthodes/outils qui permettent de le faire automatiquement ?

Je ne sais pas, je dois voir. Je vais peut-être y jeter un œil ce week-end.
 
Maxim Dmitrievsky:
Je ne sais pas, je dois voir. Je vais peut-être y jeter un œil ce week-end.

Faites-moi savoir si vous le trouvez, sinon je vais commencer à construire mon vélo :)

Elibrarius a suggéré une idée : il suffit de construire un arbre ramifié et de l'utiliser à la place du clustering, en prenant les informations des feuilles afin de réduire la classe majoritaire.

 

Futurs actuels - formation achevée en 2018. Trop jolie.

Et voici le même schéma pour les derniers contrats à terme. C'est plus triste ici, mais supportable.

Encore plus près de la fin de la formation, voyons les futurs. Et c'est là que le bât blesse.

Et je ne comprends pas ce qui se passe - il semblerait que plus on se rapproche de la fin de la formation, plus les résultats devraient être bons, mais c'est le contraire - une anomalie !

 

La réponse semble résider dans la tendance elle-même - les futurs actuels sans MO

Dernier site

et aussi

Oh, c'est MO !?

 
Non, en pourcentage il y a un type de courbe d'apprentissage - sans MO, 40%-45% sont rentables, et avec MO 60%-65%. Mais pour le trading, ce n'est pas un indicateur, sauf si le bénéfice est égal à la perte.