L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 91
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
un pacchetto che seleziona i BP che possono essere previsti e quelli che non possono, se ho capito bene
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
E tutti quelli che arrivano. Nell'archivio z1 ci sono due file train e test. Per Target costruire il modello sul treno, applicare al test, pubblicare i risultati in % (previsto con successo
di casi) per entrambi i campioni (treno = xx%, test = xx%). Non è necessario annunciare metodi e modelli, ma solo numeri. Qualsiasi manipolazione dei dati è permessa
e metodi di estrazione.
1. Tutti i tuoi predittori non hanno potere predittivo - tutti senza eccezione sono rumore
2. Sono stati costruiti tre modelli: rf, ada, SVM. Ecco i risultati
rf
Chiama:
randomForest(formula = TFC_Target ~ ,
data = crs$dataset[crs$sample, c(crs$input, crs$target)],
ntree = 500, mtry = 3, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)
Tipo di foresta casuale: classificazione
Numero di alberi: 500
No. di variabili provate ad ogni split: 3
Stima OOB del tasso di errore: 49,71%
Matrice di confusione:
[0, 0] (0, 1) class.error
[0, 0] 197 163 0.4527778
(0, 1] 185 155 0.5441176
ada
Chiama:
ada(TFC_Target ~ ., data = crs$dataset[crs$train, c(crs$input,
crs$target)], control = rpart::rpart.control(maxdepth = 30,
cp = 0,01, minsplit = 20, xval = 10), iter = 50)
Perdita: esponenziale Metodo: discreto Iterazione: 50
Matrice di confusione finale per i dati:
Previsione finale
Valore vero (0,1) [0,0]
(0,1] 303 37
[0,0] 29 331
Errore del treno: 0,094
Errore Out-Of-Bag: 0,157 iterazione= 50
SVM
Sintesi del modello SVM (costruito usando ksvm):
Oggetto "Support Vector Machine" di classe "ksvm
Tipo SV: C-svc (classificazione)
parametro: costo C = 1
Funzione kernel Gaussian Radial Basis.
Iperparametro: sigma = 0.12775132444179
Numero di vettori di supporto: 662
Valore della funzione obiettivo: -584.3646
Errore di formazione: 0,358571
Modello di probabilità incluso.
Tempo impiegato: 0,17 secondi.
Sul set di prova (intendo rattle, non il vostro)
Matrice di errore per il modello Ada Boost su test.csv [validare] (conteggi):
Previsto
Attuale (0,1) [0,0]
[0,0] 33 40
(0,1] 35 42
Matrice di errore per il modello Ada Boost su test.csv [validare] (proporzioni):
Previsto
Attuale (0,1) [0,0] Errore
[0,0] 0.22 0.27 0.55
(0,1] 0.23 0.28 0.45
Errore complessivo: 50%, errore medio di classe: 50%
Rattle timestamp: 2016-08-08 15:48:15 utente
======================================================================
Matrice di errore per il modello Random Forest su test.csv [validare] (conteggi):
Previsto
Attuale [0,0] (0,1)
[0,0] 44 29
(0,1] 44 33
Matrice di errore per il modello Random Forest su test.csv [validare] (proporzioni):
Previsto
Attuale [0,0] (0,1) Errore
[0,0] 0.29 0.19 0.40
(0,1] 0.29 0.22 0.57
Errore complessivo: 49%, errore medio di classe: 48%.
Rattle timestamp: 2016-08-08 15:48:15 utente
======================================================================
Matrice di errore per il modello SVM su test.csv [validare] (conteggi):
Previsto
Attuale [0,0] (0,1)
[0,0] 41 32
(0,1] 45 32
Matrice di errore per il modello SVM su test.csv [validare] (proporzioni):
Previsto
Attuale [0,0] (0,1) Errore
[0,0] 0.27 0.21 0.44
(0,1] 0.30 0.21 0.58
Errore complessivo: 51%, errore medio di classe: 51%
Rattle timestamp: 2016-08-08 15:48:15 utente
Analisi ROC per randomforest
Conferma quanto detto sopra.
Conclusione.
Il vostro set di predittori è senza speranza.
un pacchetto che può selezionare i BP che possono essere previsti e quelli che non possono, se ho capito bene
L'ho letto, dalla descrizione è un ottimo pacchetto (ForeCA, è anche nel repository R, non c'è bisogno di scaricare nulla da githab). La caratteristica principale è che valuta la "prevedibilità" dei dati.
E in più questo, che è anche importante, può essere applicato per ridurre la dimensionalità dei dati. Cioè, dai predittori esistenti questo pacchetto ne farà due nuovi, con una prevedibilità sorprendentemente buona. Allo stesso tempo eliminerà la spazzatura, ecc. Mi ricorda il Principal Component Method, ma invece di componenti farà qualcosa di suo.
Molto semplicemente - date a questo pacchetto una tabella con molti predittori (prezzi, indicatori, delta, spazzatura, ecc.). ForeCA darà una nuova tabella al posto di quella originale. Questa nuova tabella è usata per addestrare il modello predittivo (gbm, rf, nnet, ecc.).
Su una nota un po' più complicata, questo è un altro pacchetto di conversione di dati nucleari, con un orientamento al mercato azionario.
Sembra tutto fantastico, diretto, anche troppo, dovrò controllarlo.
un pacchetto che seleziona i BP che possono essere previsti e quelli che non possono, se ho capito bene
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
Estremamente curioso.
Il pacchetto è installato, la documentazione è disponibile.
Forse qualcuno lo proverà e pubblicherà il risultato?
L'ho letto, dalla descrizione è un ottimo pacchetto (ForeCA, è anche nel repository R, non c'è bisogno di scaricare qualcosa da githab). La caratteristica principale è che valuta la "prevedibilità" dei dati.
E in più questo, che è anche importante, può essere applicato per ridurre la dimensionalità dei dati. Cioè, dai predittori esistenti questo pacchetto ne farà due nuovi, con una prevedibilità sorprendentemente buona. Allo stesso tempo eliminerà la spazzatura, ecc. Mi ricorda il Principal Component Method, ma invece di componenti farà qualcosa di suo.
Molto semplicemente - date a questo pacchetto una tabella con molti predittori (prezzi, indicatori, delta, spazzatura, ecc.). ForeCA darà una nuova tabella al posto di quella originale. Questa nuova tabella è usata per addestrare il modello predittivo (gbm, rf, nnet, ecc.).
Se un po' più complicato, questo è un altro pacchetto per la trasformazione nucleare dei dati, con una preferenza per il mercato azionario.
Sembra tutto fantastico, semplice, anche troppo fantastico, dovrò controllare.
Non sarebbe necessaria una preselezione?
Ragazzi, andate avanti!
Conclusione.
Il vostro set di predittori è senza speranza.
"post risultati in % (casi predetti con successo) per entrambi i campioni (treno = xx%, test = xx%). Non c'è bisogno di specificare metodi e modelli, solo numeri".
Stiamo aspettando altri risultati. Mi chiedo quali conclusioni trarrà Mihail Marchukajtes.
OK)))) ma leggete attentamente le condizioni -
"post risultati in % (casi predetti con successo) per entrambi i campioni (treno = xx%, test = xx%). Non c'è bisogno di specificare metodi e modelli, solo numeri".
Stiamo aspettando altri risultati. Mi chiedo quali conclusioni trarrà Mihail Marchukajtes.
il test non è necessario!
Il modello non può essere addestrato! Non si può testare uno spazio vuoto.
Ho letto la descrizione e sembra un ottimo pacchetto (ForeCA, ..............