L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2626

 
Maxim Dmitrievsky #:
Montre-moi si tu as compris, je te montrerai mes résultats sur la méthode, je n'ai pas eu le temps de la terminer.
Il est toujours en cours de développement, un processus très coûteux en termes de ressources informatiques, tandis que j'optimise le code.
 
 

L'importance des signes dans la fenêtre mobile (indicateurs et prix)

À un moment donné, l'indicateur peut être important à 10% et à un autre moment, il peut être important à 0,05%, telle est la vérité de la vie).

Si vous pensez que ça résout tout, vous devriez en être fier.


C'est à ça que ressemblent les quatre signes de l'iris de Fisher.


Ou si vous faites un zoom sur la fenêtre coulissante.


 
mytarmailS #:

L'importance des signes dans la fenêtre mobile (indicateurs et prix)

À un moment donné, l'indicateur peut être important à 10% et à un autre moment, il peut être important à 0,05%, telle est la vérité de la vie).

Si vous pensez que ça résout tout, vous devriez en être fier.


C'est à ça que ressemblent les quatre signes de l'iris de Fisher.


Ou si vous agrandissez la fenêtre coulissante.


Il est clair que les iris (et les problèmes similaires) ont un schéma stable. Tous ceux qui les ont expérimentés ont déjà compris que tout "flotte" entre guillemets.

Je me demande comment la signification des indicateurs est différente à chaque point du graphique. Elle est déterminée pour l'ensemble du modèle construit sur toutes les lignes de formation en une seule fois. Ou bien vous avez des modèles 5000 là-bas ?
Et en général, expliquez vos graphiques, ce qu'ils contiennent et comment ils ont été construits.


 
elibrarius #:

Le fait que les iris (et les problèmes similaires) ont un modèle stable est déjà clair. Et le fait que tout "flotte" dans les guillemets est également clair pour tous ceux qui ont fait l'expérience.

Je me demande comment la signification des indicateurs est différente à chaque point du graphique. Elle est déterminée pour l'ensemble du modèle construit sur toutes les lignes de formation en une seule fois. Ou bien vous avez des modèles 5000 là-bas ?
Et en général, expliquez vos graphiques, ce qu'ils contiennent et comment ils ont été construits.


Il existe de nombreuses façons de déterminer l'informativité des caractéristiques, dont certaines ne nécessitent pas l'entraînement d'un modèle. J'ai utilisé fselector. https://www.r-bloggers.com/2016/06/venn-diagram-comparison-of-boruta-fselectorrcpp-and-glmnet-algorithms/
Il compte l'entropie des caractéristiques...

Pourquoi l'importance est-elle différente à chaque point ? Oui, car l'informativité des caractéristiques a été calculée dans une fenêtre glissante comme je l'ai écrit ci-dessus.
 
mytarmailS #:
Il existe de nombreuses façons de déterminer l'informativité d'un trait, et pour certaines, il n'est pas nécessaire d'entraîner un modèle. J'ai utilisé fselector. h ttps://www.r-bloggers.com/2016/06/venn-diagram-comparison-of-boruta-fselectorrcpp-and-glmnet-algorithms/
Il compte l'entropie des caractéristiques...

Pourquoi l'importance est-elle différente à chaque point ? Oui, parce que l'informativité des caractéristiques a été comptée dans la fenêtre glissante comme je l'ai écrit ci-dessus.
Il faut donc chercher des périodes où l'importance ne saute pas, on peut utiliser 2 modèles. Sinon, c'est le bazar.

J'ai suivi une formation en ligne sur les fenêtres, si vous les prenez toutes ensemble sans filtrer par temps, les performances sont médiocres. Je n'ai pas pensé à le faire avec le filtrage à l'époque. Il y a un exemple de ce type de robot dans mon article sur l'entropie.

Le plus probable est que les sauts d'importance sont dus à des changements d'entropie, si des signes comme les retours
.
Mais tous les adeptes des portes d'entrée ont leur propre réalité qui n'est pas basée sur la pratique.
 
Maxim Dmitrievsky #:

Mais toutes sortes d'adeptes de la porte d'entrée ont leur propre réalité, qui n'est pas basée sur la pratique.
Qu'est-ce que c'est ?


Je pense qu'il est nécessaire de chercher un modèle et de construire un modèle pour celui-ci, souvent MO ne peut pas construire un modèle même pour un modèle compréhensible, tout à la main.
 
mytarmailS #:
Qu'est-ce que c'est ?


Je pense que vous devez rechercher un modèle et construire un modèle pour celui-ci, souvent le MO ne peut pas construire un modèle, même pour un modèle compréhensible, vous devez tout faire à la main.

Eh bien, il y a toutes sortes de réseaux de récurrence, il y en avait un ici

tout droit à travers le modèle et chercher où il se comporte dans un modèle il y a un modèle :)

En résumé, il faut l'entraîner, le vérifier sur un test, identifier les périodes où il perdait et travaillait, tirer des conclusions et essayer de le filtrer, identifier un modèle.

Il ne faut pas séparer les statistiques du MO, il faut utiliser les statistiques pour les modèles, ils sont formés de manière aléatoire.

Si vous connaissez le modèle, vous n'avez pas besoin du mode opératoire.
 
Maxim Dmitrievsky #:
Vous devriez aller directement au modèle et chercher un motif, où il se comporte comme si c'était un motif :)
.

Si c'est très simple : l'enseigner, le tester sur un test, identifier les périodes où il a coulé et a fonctionné, tirer des conclusions/essayer de filtrer, identifier un modèle.

Oui, en principe c'est possible, même mieux, dans cet ordre vous pouvez faire sur la machine

Maxim Dmitrievsky #:


Si c'est assez simple : enseigner, tester, identifier les périodes où il y avait du liquide et du travail, tirer des conclusions/essayer de filtrer, détecter un modèle.

ou ne pas verser))

Maxim Dmitrievsky #:


Il ne faut pas séparer les statistiques du MO, il faut utiliser les statistiques pour les modèles, ils sont formés de manière aléatoire

Pour moi, il n'est pas nécessaire de faire des modèles compliqués, une règle simple suffit, sinon on ne peut pas appeler ça un modèle.

Maxim Dmitrievsky #:


Si vous connaissez le modèle, le mode opératoire est inutile.

Je veux toujours faire mieux)))

 
mytarmailS #:
Il existe de nombreuses façons de déterminer l'informativité des caractéristiques, dont certaines ne nécessitent pas l'entraînement d'un modèle. J'ai utilisé fselector. h ttps://www.r-bloggers.com/2016/06/venn-diagram-comparison-of-boruta-fselectorrcpp-and-glmnet-algorithms/
Il compte l'entropie des caractéristiques...

Pourquoi l'importance est-elle différente à chaque point ? Oui, parce que l'informativité des caractéristiques a été comptée dans la fenêtre glissante comme je l'ai écrit plus haut
Je comparais plusieurs façons d'estimer l'importance des attributs. J'ai pris comme référence le modèle le plus gourmand en ressources : l'entraînement du modèle en supprimant les caractéristiques une par une.
Les méthodes rapides ne coïncident pas avec le benchmark. Ils ne correspondent pas non plus l'un à l'autre. Le fselector est encore plus rapide, je pense qu'il ne correspondra à rien non plus.
Сравнение разных методов оценки важности предикторов.
Сравнение разных методов оценки важности предикторов.
  • www.mql5.com
Провел сравнение разных методов оценки важности предикторов. Тесты проводил на данных титаника (36 фичей и 891 строки) при помощи случайного леса из 100 деревьев. Распечатка с результатами ниже. За