L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2121
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
Je l'ai fait - ça n'a pas marché.
C'est bizarre... OK, je vais examiner à nouveau ce sujet - je vous tiendrai au courant plus tard.
qui ne figure pas dans la documentation officielle.
Maxim, pouvez-vous comparer où la vitesse d'apprentissage est plus rapide, dans python ou dans la version console de CatBoost ?
C'est étrange... OK, je vais jeter un autre coup d'œil à ce fil de discussion - je ferai un rapport plus tard.
J'ai d'abord parlé par souvenir et il s'est avéré que j'avais tort.
Je viens juste de vérifier avec la validation croisée. Le temps donne encore une augmentation de 1-2% sur les nouvelles données. Alors que la prévalence totale des prédictions réussies par rapport aux prédictions non réussies est d'environ 5% à TP=SL. C'est-à-dire que de 10 à 30% de la contribution au succès provient du temps.
Cependant, il s'agit d'un test sur un morceau d'histoire de 2 mois. Sur un autre morceau d'histoire, les choses peuvent changer.J'alimente le temps en cosinus et en sinus. Ce sujet a été abordé ici https://www.mql5.com/ru/forum/212376#comment_5983502
Tout comme 0...5(jour de la semaine) ou 0...23 (heure) ou 0...59 (minute) peuvent également être alimentés, mais en tant que variable catégorielle.
Le sinus et le cosinus sont déjà numériques, tout algorithme est accepté.
il existe une tendance relativement nouvelle appelée apprentissage actif. Il peut auto-échantillonner les données de la meilleure façon possible. Elle semble convenir à mon approche (échantillonnage aléatoire). Je ne l'ai pas encore fait.
https://libact.readthedocs.io/en/latest/overview.html
https://medium.com/towards-artificial-intelligence/how-to-use-active-learning-to-iteratively-improve-your-machine-learning-models-1c6164bdab99
Au fur et à mesure, les fréquences et éventuellement les phases flottent... Les amplitudes se maintiennent...
Voici la prévision pour 500 points du modèle ajusté sur l'historique de 10k de 4 harmoniques
Nous pouvons voir que la prévision est exacte pour les 500 points, mais que les fréquences sont fluctuantes et utilisent un algorithme incompréhensible.
Et ce n'est qu'un exemple illustratif, parfois c'est encore pire.
Avez-vous essayé par incréments ?
"L'une des propriétés utiles d'une série d'incréments est la plus grande stabilité du spectre par rapport au processus original. ".C'est l'écriture de Goodman.
J'alimente le temps en cosinus et en sinus. Ce sujet a été abordé ici https://www.mql5.com/ru/forum/212376#comment_5983502
Tout comme 0...5(jour de la semaine) ou 0...23 (heure) ou 0...59 (minute) peuvent également être alimentés, mais en tant que variable catégorielle.
Le sinus et le cosinus sont déjà numériques, tout algorithme est accepté.
Pouvez-vous afficher la fonction qui convertit le temps en sinus/cosinus ? J'essaierais aussi cette méthode. Dans l'article que j'ai publié, le nombre d'heures s'est avéré être un facteur prédictif significatif. Je me demande si cette méthode est adaptée aux modèles en bois ou plutôt aux réseaux neuronaux.
Avez-vous essayé par incréments ?
"L'une des propriétés utiles d'une série d'incréments est la plus grande stabilité du spectre par rapport au processus original. ".C'est l'écriture de Goodman.
pas de