L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3336
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
Lesétiquettes (enseignant, variable cible) ne peuvent PAS être des déchets par définition.
Sanych, ne vous mettez pas dans l'embarras
Vous n'avez même pas commencé à étudier pour exprimer votre opinion.
Autre fait amusant, je me disais qu'il ne s'agissait apparemment que d'un recyclage, et j'ai décidé de voir sur quels indices le changement de classe s'était produit - j'ai pensé que vers la fin, ce n'était qu'une bonne illustration du recyclage.
En fait, il s'est avéré que
Sur l'échantillon test
Il s'avère que les mille premières feuilles (dans la séquence suivante d'ajouts au modèle) sont pour la plupart instables !
Je suis surpris.
Sur l'échantillon d'examen
Autre fait amusant, je me suis dit qu'il ne s'agissait apparemment que d'un recyclage et j'ai décidé de voir sur quels indices le changement de classe s'était produit - j'ai pensé que c'était vers la fin et que c'était une bonne illustration du recyclage.
En fait, il s'est avéré que
Sur l'échantillon test
Il s'avère que ce sont les mille premières feuilles (dans la séquence suivante d'ajout au modèle) qui sont les plus instables !
Surprise.
Sur un échantillon
Pour tous les autres arbres, l'enseignant est l'erreur de prédiction, c'est-à-dire (Y - Pred). Et même avec eta = 0.1...0.001. L'influence des feuilles de ces arbres est insignifiante, elles ne font que corriger. Ce que vous avez montré (leur insignifiance).
GPT pour enseigner )
Ok, ajoutons l'indicateur Enveloppes à notre analyse. L'indicateur Enveloppes représente des lignes au-dessus et au-dessous d'une moyenne mobile. Elles se situent généralement à une distance fixe en pourcentage de cette moyenne mobile.
Enveloppes pour le dernier mois (novembre 2023) :
Tendance globale à l'aide du RSI, des bandes de Bollinger et des enveloppes :
Considérons également que les signaux provenant de différents indicateurs peuvent être contradictoires et qu'il est important de les analyser ensemble.
Poursuivons les calculs et l'analyse.
Enveloppes pour le dernier mois (novembre 2023) :
Tendance générale à l'aide du RSI, des bandes de Bollinger et des enveloppes :
Prenons également en compte le fait que les signaux de différents indicateurs peuvent être contradictoires et qu'il est important de les analyser ensemble.
Poursuivons les calculs et l'analyse.
Vous comptez le boosting, n'est-ce pas ?
Vous avez tout à fait raison, nous parlons de CatBoost !
Là, seul le premier arbre est formé par les étiquettes de l'enseignant initial.
Pour tous les autres arbres, l'enseignant est l'erreur de prédiction, c'est-à-dire (Y - Pred).
En effet, c'est ce que la théorie suggère.
Oui aussi avec le coefficient eta = 0.1...0.001
Le coefficient "learning rate", du moins dans CatBoost, est fixe pour tous les arbres.
L'influence des feuilles de ces arbres est insignifiante, elles ne font que corriger. C'est ce que vous avez montré (leur insignifiance).
Pouvez-vous vraiment expliquer comment les coefficients des feuilles sont arrangés dans CatBoost ?
Il y a des points que je ne comprends pas bien.
Cependant, j'ai démontré un changement de "classe" dans les feuilles, c'est-à-dire que 40 % des feuilles semblent tirer les totaux dans le mauvais sens sur les nouvelles données.
Pouvez-vous expliquer comment les coefficients sont disposés sur les feuilles dans CatBoost ?
Voulez-vous que je fouille dans le code de CatBoost et que je vous donne la réponse exacte ? Je ne cherche que ce qui m'intéresse. Je n'utilise pas CatBoost.
Tutoriel et code boost simple ici https://habr.com/ru/companies/vk/articles/438562/C'est la première fois que j'entends parler des coefficients de feuilles - qu'est-ce que c'est ?
Je signale que sur un échantillon séparé de test - 7467, et sur l'examen - 7177, mais il n'y a pas un petit nombre de feuilles sans aucune activation - je n'ai pas compté en une seule fois.
Voici la répartition des feuilles qui ont changé de classe en fonction de leur valeur pour l'échantillon de test
et c'est l'examen.
Et voici la répartition en classes - il y en a trois, la troisième est "-1" - pas d'activation.
Pour l'échantillon de train
Pour l'échantillon test
Pour l'échantillon d'examen
En général, nous pouvons voir que les poids des feuilles ne correspondent plus à la logique de la classe - ci-dessous le graphique de l'échantillon d'examen - il n'y a pas de vecteur clair.
En général, cette méthode permet d'obtenir une certaine approximation, mais elle ne garantit pas la qualité des prédicteurs.
En général, je suppose que les "barres" distinctes sur le graphique ci-dessus sont des feuilles très similaires par la place et la fréquence d'activation.
Il est difficile de discuter de ce que l'on ne connaît pas. Je ne peux donc que me réjouir de votre réussite. Si j'avais une telle méthode, je l'utiliserais :)
Ma méthode ne donne pas encore de tels résultats qualitatifs, mais elle est assez parallèle.
Vous êtes-vous déjà demandé pourquoi cela se produit ?
Vitesse de test du modèle exporté en code naïf (catbust)
Et exporté vers ONNX
Les internes des deux versions du bot sont presque similaires, les résultats sont les mêmes.
Voulez-vous que je fouille dans le code catbust pour vous et que je vous donne une réponse exacte ? Je ne creuse que ce qui m'intéresse. Je n'utilise pas catbust.
J'ai supposé que vous le saviez, mais ce n'est pas le cas - je n'ai pas pensé à vous le demander.
C'est la première fois que j'entends parler des coefficients foliaires - de quoi s'agit-il ?
Les valeurs des feuilles qui sont additionnées pour former la coordonnée Y d'une fonction.
Une valeur supérieure ou égale à 0,5 en X signifie que la classe par défaut est "1" dans CatBoost.