L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 626
![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Perché, no, ci sono troppi alberi... andava bene anche con 10 (non ricordo quanti ne ho impostati)
500 è molto, abbastanza per qualsiasi set di dati
Perché tali errori si sono verificati con i numeri frazionari? ... strano, mi aspettavo che la macchina può imparare esattamente... Quindi, nel caso di modelli (nel forex) la loro forma è tutt'altro che chiara (come la tabella di moltiplicazione) è bene se si ottengono previsioni corrette nel 60% dei casi.
Gli errori si sono verificati perché il parametro r era basso, il che significa che solo metà degli esempi sono stati utilizzati per l'addestramento, e questa metà è stata addestrata su metà degli alberi :) e ci sono pochi esempi
dovete impostare r~1 per essere esatti. Utilizzato per la pseudoregolarizzazione e per test su campioni fuori sacco
è solo che questo meccanismo deve essere regolato, nel caso della foresta, ci sono solo 2 impostazioni
Dovreste anche capire che NS (RF) non è una calcolatrice, ma approssima una funzione, e una precisione troppo alta è più cattiva che buona per molti compiti.
Temo che la regressione/previsione in rete produrrà più o meno la stessa cosa che cercare siti/modelli simili nella storia (cosa che ho fatto 3 mesi fa):
Gli errori si sono verificati perché il parametro r era basso, il che significa che solo metà degli esempi sono stati utilizzati per l'addestramento, e questa metà è stata addestrata su metà degli alberi :) e ci sono pochi esempi
dovete impostare r~1 per essere esatti. Utilizzato per la pseudoregolarizzazione e per test su campioni fuori sacco
Bisogna solo sapere come sintonizzare questo meccanismo, nel caso della foresta, ci sono solo 2 impostazioni
Cioè se impostate r a 1, allora sarà addestrato su tutti i campioni.
La foresta non userà comunque tutti gli attributi, quindi c'è una modifica del modello in cui si può impostare l'uso di tutti gli attributi. Ma questo non è raccomandato perché la foresta ricorderà tutte le opzioni
e la selezione delle impostazioni è spesso una cosa così soggettiva che bisogna sperimentare
se meno di 1, allora sui campioni rimanenti il modello è convalidato (il modello è stimato sui dati che non sono stati presi dal campione di allenamento). r classico è 0,67, sul restante 33% il modello è convalidato. Naturalmente, questo è vero per i campioni grandi, per quelli piccoli è proprio come con la tabella di moltiplicazione - è meglio impostare 1.
La foresta non userà comunque tutti gli attributi, quindi c'è una modifica del modello in cui si può impostare l'uso di tutti gli attributi. Ma questo non è raccomandato perché la foresta ricorderà tutte le opzioni
e la selezione delle impostazioni è spesso una cosa così soggettiva che bisogna sperimentare
Se è inferiore a 1, allora sui campioni rimanenti il modello è convalidato (il modello è stimato sui dati che non sono stati presi nel campione di formazione). Secondo il classico r è impostato a 0,67, sul restante 33% il modello è convalidato
Selezione delle caratteristiche
Un po' di datamining. Stavo facendo la selezione delle caratteristiche tramite Chi^2 + KBest, RFE (eliminazione ricorsiva delle caratteristiche) + (SGDClassifier, RidgeClassifier), L2 (Ridge, RidgeClassifier), L1 (Lasso). La regolarizzazione della cresta dà risultati più sani.
![rfe rfe](https://c.mql5.com/3/170/x_rfe-_table__1.png)
Alcuni grafici:
RFE + Ridge & SGD
Regressore di cresta (L2).
Classificatore di cresta (L2)
Il file contiene una tabella dei valori dei parametri e il loro campionamento in base alla selezione delle caratteristiche.
I coefficienti più significativi sono risultati essere:
- 10, 11 - Chiudere, Delta (aprire-chiudere)
- 18-20 - Derivato Alto, Basso, Chiusura
- 24 - Chiudere il derivato del registro
- 29, 30 - Lowess
- 33 - Vicino a Detranding - Lowess
- 35 - EMA 26 (13 come opzione)
- 40 - Derivato EMA 13
PS. La linea Ridge Classifier nella tabella è basata su una classe, non riflette le dipendenze dei parametri da altre classi.Riferimento allo script.
ha abbozzato un nuovo diagramma di rete, questa è la prima descrizione. Ci sarà più tardi (si spera)
https://rationatrix.blogspot.ru/2018/01/blog-post.html
ha abbozzato un nuovo diagramma di rete, questa è la prima descrizione. Ci sarà più tardi (si spera)
https://rationatrix.blogspot.ru/2018/01/blog-post.html
Mi chiedo perché il primo post sia stato cancellato. Ha bloggato lo schema. =)