L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1534
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
Indicatori del campione su cui è stata effettuata la formazione.
E il campione al di fuori dell'allenamento? I prossimi sei mesi per esempio?
Quindi hai un logloss di ~1, il che significa che il modello è totalmente fuori di testa per quello che sta succedendo.
Sono cieco, dov'è il logloss negativo? Ho specificato un logloss per l'intero modello.
Volete trovare un logloss separato per un ingresso individuale? Cioè la quantità di informazioni tra i valori del foglio e i valori obiettivo?
Non sono sicuro che logloss sia la cosa giusta, voglio trovare informazioni di qualità e logloss cerca piuttosto la quantità dell'intero modello, forse la quantità andrà bene - non so. Qualche idea su come farlo?
La classe "non fare niente" è chiaramente sbilanciata rispetto alle altre, che è quello che ho scritto sopra che può essere un problema a causa del modello a 3 classi. Il resto degli indicatori sono deprimenti.
Sì, sbilanciato, ma cosa si può fare... Si potrebbero naturalmente fare due campioni - dividendo il campione in vettori, ma di nuovo alcune delle informazioni che potrebbero essere utili andrebbero perse. In generale, sono d'accordo che il campione non è equilibrato, ma non so come farlo senza perdere informazioni. Ho provato a duplicare le linee con un piccolo numero di obiettivi, ma l'effetto è negativo.
Sono cieco, dov'è il logloss negativo? Ho specificato un logloss per l'intero modello.
Non sono sicuro di cosa sia logloss, voglio trovare informazioni di qualità, e logloss cerca piuttosto la quantità dell'intero modello, forse la quantità andrà bene - non so. Qualche idea su come farlo?
Sì, non è equilibrato, ma cosa si può fare... Si potrebbero naturalmente fare due campioni - dividere il campione in vettori, ma di nuovo, alcune delle informazioni che potrebbero essere utili andrebbero perse. In generale, sono d'accordo che il campione non è equilibrato, ma non so come farlo senza perdere informazioni. Ho provato a duplicare le linee con un piccolo numero di obiettivi - l'effetto è negativo.
Non negativo, ma tende a uno, cioè al massimo. Dovrebbe tendere a zero.
logloss mostra quanto bene le vostre caratteristiche sono correlate con l'obiettivo, approssimativamente parlando, cioè 0 è piena correlazione, cioè descrivono bene l'obiettivo. 1 è nessuna descrizione, cioè sono completamente disinformativi. Questo è un buon indicatore nel senso che ci dice se c'è qualche correlazione. Non c'è alcuna correlazione.
Non so, fare una normale classe 2 e non 3.
E su un campione al di fuori dell'allenamento, cosa? I prossimi sei mesi, per esempio?
E il campionamento al di fuori dell'allenamento, per così dire... Non l'ha fatto, si è allenato per circa il 1° marzo 2019, ha deciso che dovrei usare tutte le informazioni del 2014.
Ma, ho deciso di vedere da solo cosa danno questi alberi, l'ho inserito in EA e ho fatto tre passaggi con 3 alberi diversi dal 1 marzo 2019 al 15 settembre 2019.
1. Prima fase di divisione
2. Ventesimo passo falso
3. Quarantottesimo passo di scissione
E, in generale, io stesso sono sorpreso che tutti e tre i modelli abbiano risultati positivi!
È interessante notare che il 2° modello è più liscio, mentre il 3° modello sta già lottando per strisciare nel lato positivo.
È interessante notare che l'accuratezza dei modelli non è molto peggiore, e a volte addirittura migliorata, di seguito è riportata una tabella con le variazioni percentuali rispetto al campione di allenamento
Non posso dire della completezza e della logloss - bisogna prendere gli indicatori e fare il campionamento.
E sì, la maggior parte dei modelli andranno in loop quando si allenano a zero, perché c'è davvero una preponderanza di quella classe rispetto alle altre due, e poi gli zeri sono più facili da trovare - è questo che rovina il tutto.
non è negativo ma tende a uno, cioè al massimo. Dovrebbe tendere a zero.
Il logloss mostra quanto le vostre caratteristiche sono correlate con l'obiettivo, approssimativamente parlando, cioè 0 è piena correlazione, cioè descrivono bene l'obiettivo. 1 è nessuna descrizione, cioè sono completamente disinformativi. Questo è un buon indicatore nel senso che ci dice se c'è qualche correlazione. Non c'è alcuna correlazione.
Non lo so, rendilo un normale grado 2 invece di un grado 3.
Non sono sicuro che Logloss in multiclasse sia uno... In generale, non riesco a capire come implementare la formula da solo - non capisco questi cifrari da fonti pubbliche. E mi piacerebbe vedere Logloss non quello finale, ma per tutto il campione, come cambia e dove si affloscia. E come ho capito, è più corretto con un campione equilibrato...
Non sono sicuro che Logloss per la multiclassificazione sia uguale a uno... In generale, non riesco a capire come implementare la formula da solo - non capisco questi cifrari da fonti pubbliche. E mi piacerebbe vedere Logloss non quello finale, ma per tutto il campione, come cambia e dove si affloscia. E da quanto ho capito, è corretto in un campione equilibrato in misura maggiore...
Non voglio scervellarmi su questo... grandi aziende come Yandex stanno facendo delle cose. Dicono: fai questo e starai bene. Fatelo e non fatelo da soli. Affogherete nella retorica e nei diversi approcci.
Mostra il cambiamento mentre va lungo il gradiente, costruendo alberiE il campionamento al di fuori della formazione, per così dire... Non l'ha fatto, si è allenato per circa il 1 marzo 2019, ha deciso che dovrei usare tutte le informazioni del 2014.
Ma, ho deciso di vedere da solo cosa danno questi alberi, l'ho inserito in EA e ho fatto tre passaggi con 3 alberi diversi dal 1 marzo 2019 al 15 settembre 2019.
1. Prima fase di divisione
2. Ventesimo passo falso
3. Quarantottesimo passo di scissione
E, in generale, io stesso sono sorpreso che tutti e tre i modelli abbiano risultati positivi!
È interessante notare che il 2° modello è più liscio, mentre il 3° modello sta già lottando per strisciare nel lato positivo.
È interessante notare che l'accuratezza dei modelli non si è deteriorata molto, e a volte è addirittura migliorata. Di seguito è riportata una tabella che mostra le variazioni percentuali in relazione al campione di allenamento
Non posso dire nulla sulla completezza e il logloss - devi sparare gli indicatori e fare il campionamento.
E sì, la maggior parte dei modelli andrà in loop quando si allena a zero, poiché c'è davvero una preponderanza di questa classe rispetto alle altre due, e poi gli zeri sono più facili da trovare - questo è ciò che rovina il tutto.
Questo è ciò che ottengo. Ho appena spostato tutta la logica del bot in python, foresta sostituita con boost. Non riesce a trovare l'errore, nessuna sbirciatina sembra. A seconda delle impostazioni, gli acura possono essere aumentati fino a 0,7-0,8, riducendo il numero di scambi.
Scaffold ha circa la stessa gamma di errori, ma non si tratta di acuras, è un errore di classificazione. E si comporta in modo simile in trayne, anche meglio. Ma è molto peggio nel test.
apprendimento:
L'apprendimento è 10 volte più grande
Cosa c'è all'entrata? Prezzi puri?
incrementi
Finirò il connettore questo fine settimana e lo metterò alla prova. Ho intenzione di caricare il modello sul cloud e recuperare i segnali dal terminale. Ho intenzione di mettere il modello nel cloud e recuperare i segnali dal terminale. Posso inviarvi il client su MT5Un approccio semplice e interessante su come descrivere i modelli per MoD
https://www.quanttrader.com/index.php/a-simple-algorithm-to-detect-complex-chart-patterns/KahlerPhilipp2019