L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1929

Nuovo commento
 
mytarmailS:

a seguito di una conversazione personale

la tua opzione

versione semplice

come potete vedere i valori sono abbastanza diversi, potete controllare voi stessi


Nel mio modello.

quindi solo una colonna, ma non ha molta importanza.

===================UPD

Amico, sono diversi ogni volta che si esegue umap_tranform, non dovrebbe essere

Non stavo prestando attenzione. È passato molto tempo...

 
mytarmailS:

a seguito di una conversazione personale

la tua opzione

versione semplice

come potete vedere i valori sono abbastanza diversi, potete controllare voi stessi


Nel mio modello.

quindi solo una colonna, ma non ha molta importanza.

===================UPD

Amico, sono diversi ogni volta che si esegue umap_tranform, non dovrebbe essere così

Di solito il Seed (dell'RNG incorporato) è impostato su qualche valore per la ripetibilità. In caso contrario, si usa il random. Questo pacchetto potrebbe anche avere un Seed - controllatelo.
 
elibrarius:
Di solito per la ripetibilità si imposta il Seed (dell'HSS integrato) su qualche valore. In caso contrario, si usa il random. Forse anche questo pacchetto ha Seed - controlla.

Penso di sì, ma il punto è che senza RMS dovrebbe essere sempre lo stesso, nel pacchetto analogico "umap" il risultato è sempre lo stesso

 
Aleksey Vyazmikin:

per te, con la sola speranza che tu impari la r-ku)

install.packages("TTR","uwot")

clos <- d$X.CLOSE.

get.ind <- function(x,n=5){
  
  all_to.all_colums <- function(x,names){
    cb <- combn(ncol(x),2)
    res <- matrix(ncol = 0,nrow = nrow(x))
    for(i in 1:ncol(cb)){
      j1 <- cb[1,i]
      j2 <- cb[2,i]
      
      res <- cbind(res,   x[,j1] - x[,j2]  )
      colnames(res) <- paste0(names, 1:ncol(res))
    }
    return(res)}
  
  library(TTR)
  aroon  <- aroon(x,n)
  BBands <- BBands(x,n)            ;   BBands <- all_to.all_colums( BBands, names = "BBands")
  CCI    <- CCI(x,n)
  CMO    <- CMO(x,n)
  DEMA   <- diff(c(0,DEMA(x,n)))
  Donchian <- DonchianChannel(x,n) ;   Donchian <- all_to.all_colums( Donchian, names = "Donchian")
  MACD   <- MACD(x,n)
  moment <- momentum(x,n)
  PBands <- PBands(x,n)            ;   PBands <- all_to.all_colums( PBands, names = "PBands")
  RSI    <- RSI(x,n)
  SAR    <- diff(c(0,SAR(cbind(x,x,n))))   
  SMA    <- diff(c(0,SMA(x,n)))
  stoch  <- stoch(x,n)
  TDI    <- TDI(x,n)
  VHF    <- VHF(x,n)
  WPR    <- WPR(x,n)
  
  ind <- cbind.data.frame(aroon,BBands,CCI,CMO,DEMA,Donchian,
                          MACD,moment,PBands,
                          RSI,SAR,SMA,stoch,TDI,VHF,WPR)
  return(ind)
}
get.target <- function(x, change){
  zz <- TTR::ZigZag(x,change = change,percent = F)
  zz <- c(diff(zz),0) ; zz[zz>=0] <- 1 ; zz[zz<0] <- -1
  return(zz)
}

X <- get.ind(clos)
Y <- as.factor(get.target(clos,change = 0.001))


library(uwot)

train.idx <- 100:8000
test.idx <- 8001:10000

UM <- umap(X = X[train.idx,],
           y = Y[train.idx], 
            approx_pow = TRUE, 
            n_components = 3, 
            ret_model = TRUE,
            n_threads = 4 L, 
            scale = T)

predict.train <- umap_transform(X = X[train.idx,], 
                                model = UM, n_threads = 4 L, 
                                verbose = TRUE)

predict.test <- umap_transform(X = X[test.idx,], 
                                model = UM, n_threads = 4 L, 
                                verbose = TRUE)



library(car)

scatter3d(x = predict.train[,1], 
          y = predict.train[,2], 
          z = predict.train[,3],
          groups = Y[train.idx],
          grid = F, 
          surface = F,
          ellipsoid = F,
          bg.col = "black",surface.col = c(2,3))

ci sono due funzioni

get.ind

и

get.target

il primo crea una data serie di indicatori, il secondo il target dello zigzag

tutto quello che dovete fare è caricare i dati con un prezzo di chiusura di 10k e scriverli nella variabile clos

e ottenere il vostro umap con l'obiettivo


https://github.com/jlmelville/uwot
 
mytarmailS:

per te, con la sola speranza che tu impari il p)

ci sono due funzioni

и

il primo crea un set di indicatori di data, il secondo crea un obiettivo di zigzag

tutto quello che dovete fare è caricare i dati con un prezzo di chiusura di 10k e scriverli nella variabile clos

e ottenere il vostro umap con l'obiettivo


https://github.com/jlmelville/uwot

Molto piacere di conoscerti, grazie!

Vorrei più commenti :)

La questione qui è come sincronizzare i predittori dal file con l'obiettivo risultante?

 
Aleksey Vyazmikin:

Molto piacere di conoscerti, grazie!

Vorrei più commenti :)

La domanda qui è come sincronizzare i predittori dal file con l'obiettivo?

Bene, poiché l'obiettivo è costruito usando il prezzo, è già in sincronia, e se i predittori sono costruiti usando la stessa scena, significa che lo sono anche loro)

Oppure non capisco la domanda.


Ho cercato di nominare le variabili in modo che fossero comprensibili senza commenti

 

Una domanda da un nerd.


Ci sono tre variabili A, B, C. Una sorta di condizione è scritta a mano da loro. Per esempio.

(A > B) && (A - B < C) && (A + 3 * C > 2 * B)


Voglio riprodurre questa condizione automaticamente. Non ho bisogno di trovarlo, perché lo so già. Ma ho bisogno di avere, ad esempio, decine di coefficienti di peso la cui combinazione può colpire questa condizione con alta probabilità, quando imposto A, B, C lì (polinomio o HC - non so, perché so zero) e ottenere la condizione originale.


Mi interessa sapere che tipo e quanti pesi di ingresso ha la funzione richiesta, in modo che tali condizioni originali possano essere riprodotte tramite i pesi?

 

Quindi, come sono stati formati gli alberi sui grappoli, ve lo dico e ve lo mostro.

Abbiamo ottenuto il seguente modello per il riconoscimento delle classi

La storia ha una precisione abbastanza accurata di 0,9196756 - cioè la logica del cluster è abbastanza riproducibile.

Poi ho addestrato un modello per ogni cluster

Cluster 1

Cluster 2

Cluster 3

Cluster 4

Tutti i cluster hanno una precisione di 0,53 circa.

E questo è l'aspetto del modello senza la suddivisione in cluster

La precisione 0,5293815 è circa la stessa dei cluster.

Se confrontiamo i modelli per cluster e un modello ad albero con l'intero campione, vediamo che gli alberi cluster hanno più foglie con informazioni generalizzate sul campione con target 1 e -1, che è teoricamente buono.

Vediamo cosa mostrano i test - prima guardiamo il periodo di allenamento

Modello senza partizionamento dei cluster:

Modello con partizionamento in cluster:

Vediamo che l'accuratezza è migliore con il modello senza clustering, ma commercia di più con il modello su cluster, che permette una migliore performance finanziaria.

Ora guardiamo il campione al di fuori della formazione.

Ed ecco i nostri cluster:

E il modello senza cluster:

La situazione qui sembra essere invertita - molti scambi hanno avuto un effetto negativo quando il mercato ha iniziato a convogliare da aprile.

Ho deciso di guardare le foglie dei modelli di cluster individualmente, se non ci fosse stato alcun cluster, su un istogramma discendente:


Un totale di 6 foglie non redditizie (zero obiettivo rimosso - è un divieto di ingresso), si scopre che non siamo nel cluster giusto?

 
mytarmailS:

Bene, poiché l'obiettivo è basato sul prezzo, è già sincronizzato, e se i predittori sono basati sulla stessa scena, lo sono anche loro)

Oppure non capisco la domanda.


Ho cercato di nominare le variabili in modo che fossero comprensibili senza commenti

Come prendere un set di dati con predittori e prezzo di chiusura e caricarlo con la specifica di una colonna con prezzo di chiusura invece di usare la variante di generazione di indicatori in R?

Da quanto ho capito, dato che l'obiettivo è ZZ tops, allora una parte del campione con predittori dovrebbe essere filtrata, qui, e quindi per alimentare i predittori si dovrebbe filtrare anche la tabella con predittori, o cosa?

 
fxsaber:

Una domanda da un nerd.


Ci sono tre variabili A, B, C. Una sorta di condizione è scritta a mano da loro. Per esempio.


Voglio riprodurre questa condizione automaticamente. Non ho bisogno di trovarlo, perché lo so già. Ma ho bisogno di avere, ad esempio, decine di coefficienti di peso la cui combinazione può colpire questa condizione con alta probabilità, quando imposto A, B, C lì (polinomio o HC - non so, perché so zero) e ottenere la condizione originale.


Mi interessa sapere che tipo e quanti pesi di ingresso ha la funzione richiesta, in modo che tali condizioni originali possano essere riprodotte tramite i pesi?

in alternativa

(A > B) && (A - B < C) && (A + 3 * C > 2 * B)

Su input di NS - valori A,B,C n volte (diciamo, 1000), su output - risposte della vostra formula per questi valori come 0;1. Provate. E vedere l'errore di classificazione e quanto bene il modello riproduce la condizione.

se volete vedere esattamente quale tipo e interpretarlo, potete farlo attraverso gli alberi.

Variante 2 (se la prima non ha funzionato bene) - A, B, A-B, C, A+3*C, 2B - variabili, tutte le stesse della prima variante da mettere nell'albero. E si può vedere la sua struttura come nelle foto di Alexey qui sopra
1...192219231924192519261927192819291930193119321933193419351936...3399
Nuovo commento