L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 112
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Se è così, sono contento, è molto meglio.
Comunque, il fronttest mostra un risultato molto migliore. Ho diviso il tuo file in 2 parti (senza mischiare, solo in ordine), la prima parte ha 50 linee, la seconda 19. Così jPrediction non ha accesso agli esempi del secondo file, e saranno davvero nuovi dati per il modello.
Alla fine sul secondo file JPrediction ha dato una risposta solo in 9 casi. Corretto in 5 casi, sbagliato in 4. La precisione è di circa il 50%, niente di buono in questo risultato.
Tutto è buono tranne un'inezia: non c'è confronto con altri modelli.
Offro i miei servizi per un confronto
1. Si prepara un file Excel di input contenente i predittori e la variabile target
2. Tu fai il calcolo
3. Mi mandi il file di input.
4. Faccio i calcoli usando randomforest, ada, SVM
Confronto.
Che cosa vuoi paragonare?
Randomforest, Ada e SVM sono classificatori binari, mentre jPrediction è ternario.
Avete esperienza e un criterio adeguato per confrontare i classificatori binari con quelli ternari?
Se ci tenete tanto, jPrediction è in accesso aperto, comprese le fonti. Ho già postato le istruzioni per farlo. I modelli vengono creati banalmente (basta non dirlo a nessuno): premendo un solo tasto - F8. Puoi giocare con i numeri a tuo piacimento con una faccia intelligente. Ma senza la mia partecipazione. Dopo tutto, è improbabile che tu abbia bisogno del mio aiuto per premere un solo tasto, perché spero che i tuoi genitori ti abbiano già permesso di usare il computer da solo?
Ma solo senza il mio coinvolgimento.
Peccato.
Buona fortuna, ciclista.
Che cosa vuoi paragonare?
Randomforest, Ada e SVM sono classificatori binari, mentre jPrediction è ternario.
Avete esperienza e un criterio adeguato per confrontare i classificatori binari con quelli ternari?
Se ci tenete tanto, jPrediction è di dominio pubblico, compreso il codice sorgente. Ho già postato le istruzioni per farlo. I modelli vengono creati banalmente (basta non dirlo a nessuno): premendo un solo tasto - F8. Puoi giocare con i numeri a tuo piacimento con una faccia intelligente. Ma senza la mia partecipazione. Dopotutto, per premere un tasto è improbabile che il mio aiuto sia necessario, perché spero molto, che voi genitori vi permettano già di usare il computer da soli?
Se vuoi una risposta univoca senza guardare i dati e gli algoritmi....
Grazie per la sua risposta completa e comprensibile.
Sì, sto parlando della stessa cosa. Non possono capire che l'addestramento delle NS è un'arte, e la scelta del modello giusto si basa su molti anni di esperienza e su una certa sensazione che questo sia quello giusto. Ma no, i nostri padroni vogliono risultati inequivocabili. A proposito, sull'unicità. È una cosa piuttosto interessante quando un modello è addestrato in modo univoco e senza ambiguità. Ed ecco un'idea che ho. Scriverò a LS....
Non siamo corifei - facciamo parte della maggioranza, i cui membri vogliono in futuro gli stessi risultati di oggi. Questo è ciò che riguarda questo thread.
E gli artisti, i sacerdoti dell'arte, sono insieme ai mash-up.
Non siamo corifei - facciamo parte della maggioranza, i cui membri vogliono in futuro gli stessi risultati di oggi. Questo è ciò che riguarda questo thread.
E gli artisti, i sacerdoti dell'arte, sono con i mash-up.
Vi mostrerò lo script in cui ho realizzato l'indicatore con autotuning del periodo e come ho addestrato il modello,
Lo script è diviso in due parti, la prima crea un foglio con i periodi obiettivo e i dati, il secondo script apre questo foglio e allena il modello.
Non sono un programmatore, se qualcuno è interessato, risponderò alle domande,
1) tutti i percorsi negli script dovrebbero essere cambiati con i vostri...
2) non cercare di controllare il modello nel modo usuale confrontando l'obiettivo con i nuovi dati con predict, questo approccio non funziona, è necessario alimentare i dati nel programma di analisi tecnica e lì simulare il trading con gli stop, finora sono profondamente convinto che questo è l'unico modo oggettivo per testare il modello
3) Ho addestrato il modello circa 15 volte di cui solo 3 o 4 volte il modello ha mostrato una piccola perdita sui nuovi dati, lo considero tra virgolette un risultato "stabile" e degno di attenzione e ulteriore sviluppo.
In totale 50 000 dati sono stati utilizzati per la formazione su 20 000 e 30 000 è stato un test su nuovi dati.
4) le citazioni sono le stesse delle mie che puoi scaricare dal sito finamhttps://www.finam.ru/profile/mosbirzha-fyuchersy/rts/export/?market=14&em=17455&code=SPFB.RTS&apply=0&df=18&mf=7&yf=2016&from=18.08.2016&dt=18&mt=7&yt=2016&to=18.08.2016&p=7&f=SPFB.RTS_160818_160818&e=.txt&cn=SPFB.RTS&dtf=1&tmf=1&MSOR=1&mstime=on&mstimever=1&sep=1&sep2=1&datf=1&at=1
perché a causa della stranezza di questo forum non sono in grado di allegare le mie citazioni
come sembrahttp://prntscr.com/c776d3
Oppure puoi usare la tua quotazione da metatrader
111 creerà una data.
222 sta già addestrando un modello in questa data
Credo di capire perché l'esempio di Michael potrebbe funzionare. La forza di jPrediction non è nella classificazione (il 50% di precisione su nuovi dati è come lanciare una moneta), ma nel fatto che non fa affatto una previsione se i modelli nel comitato danno risposte diverse. La strategia di Michael funziona solo perché non fa trading in momenti di mercato così poco chiari quando entrambi i modelli non possono dare la stessa risposta. Non importa quale previsione faccia il jPrediction, ci sarà comunque un errore del 50%, a patto che non si faccia trading quando il jPrediction si rifiuta di fare una previsione. Poi sceglie la direzione del commercio (acquisto/vendita) in base al seguito. Si scopre che jPredictor funziona come un rilevatore di una situazione troppo caotica nel mercato quando è meglio non fare trading, un'applicazione molto interessante.
Ho provato un approccio simile con i miei dati. Ho più di 2 modelli nel mio comitato. Non sono riuscito a ottenere una risposta unanime da loro, ma se scambio quando almeno l'80% dei modelli sono d'accordo con la risposta il risultato è migliore.
Credo di capire perché l'esempio di Michael potrebbe funzionare. La forza di jPrediction non è nella classificazione (il 50% di precisione su nuovi dati è come lanciare una moneta), ma nel fatto che non fa affatto una previsione se i modelli nel comitato danno risposte diverse. La strategia di Michael funziona solo perché non fa trading in momenti di mercato così oscuri quando entrambi i modelli non possono dare una risposta chiara. Non importa quale previsione faccia il jPrediction, ci sarà comunque un errore del 50%, a patto che non si faccia trading quando il jPrediction si rifiuta di fare una previsione. Poi sceglie la direzione del commercio (acquisto/vendita) in base al seguito. Si scopre che jPredictor funziona come un rilevatore di una situazione troppo caotica nel mercato quando è meglio non fare trading, un'applicazione molto interessante.
Ho provato un approccio simile con i miei dati. Ho più di 2 modelli nel mio comitato. Non ho ottenuto una risposta unanime da loro, ma se faccio trading quando almeno l'80% dei modelli è d'accordo con la risposta, ottengo risultati di trading migliori.