L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 949

Nuovo commento
 
SanSanych Fomenko:

Quale altra tendenza nella classificazione? Gli errori di previsione della classe faranno a pezzi la tendenza - non rimarrà nulla della tendenza.

Beh, perché no, io identifico solo gli ingressi, le uscite saranno elaborate a strascico e non dai risultati di MO.

 
SanSanych Fomenko:

Certo, per la miseria!

Quali altri?

Li conterò.

Non vedo l'ora!

 
Aleksey Vyazmikin:

Aspettando con interesse!

Qui.

Number of observations used to build the model: 20276
Missing value imputation is active.

Call:
 randomForest(formula = as.factor(arr_Buy) ~ .,
              data = crs$dataset[crs$sample, c(crs$input, crs$target)],
              ntree = 500, mtry = 7, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)

               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 7

        OOB estimate of  error rate: 17.76%
Confusion matrix:
     -1    0    1 class.error
-1 4429 1157   84   0.2188713
0   498 8288  501   0.1075697
1   102 1259 3958   0.2558752

Variable Importance
===================

                                -1     0     1 MeanDecreaseAccuracy MeanDecreaseGini
arr_LastBarPeresekD_Down_M15 56.11 64.27 64.49                69.56           211.39
arr_DonProc_M15              60.79 63.68 57.48                67.77           298.46
Levl_High_H4                 59.69 61.76 57.36                69.74           195.16
Levl_Close_W1                54.44 58.90 57.08                64.35           234.41
arr_Regresor                 56.51 55.71 56.09                61.40           212.89
Levl_Low_H4                  50.14 52.47 55.56                57.38           203.09
Levl_Low_D1                  51.00 50.52 55.24                57.91           192.80
arr_Den_Nedeli               47.86 50.18 55.22                53.55           214.23
arr_DonProcVisota            53.91 58.53 55.15                58.61           305.84
Levl_Close_MN1               51.68 51.71 54.70                58.12           228.30
Levl_Close_D1                53.13 51.06 51.83                57.80           267.86
arr_LastBarPeresekD_Up_M15   52.46 52.45 49.94                56.53           218.22
arr_DonProc                  47.96 69.45 49.35                60.33           322.91
Levl_Support_D1              52.28 52.42 49.21                56.50           253.82
Levl_Support_W1              47.90 50.98 47.38                53.37           219.35
Levl_High_W1                 48.68 47.64 47.35                52.45           144.54
Levl_Low_H1                  46.62 53.94 46.72                54.10           208.75
Levl_Support_MN1             41.67 44.57 46.52                46.83           198.77
arr_TimeH                    44.65 46.73 45.21                47.78           183.06
Levl_High_D1                 43.69 42.56 45.17                46.79           169.77
Levl_first_H4                41.65 44.09 43.92                46.57           121.20
Levl_High_MN1                37.88 40.27 42.96                42.52           142.87
X_USE_Filter_MA_02           38.67 43.46 42.57                49.19            84.23
Levl_first_H1                38.36 40.30 40.51                44.00           135.97
Levl_Low_MN1                 36.20 39.33 39.59                40.68           149.38
Levl_High_H1                 36.34 39.67 39.02                40.28           196.14
arr_LastBarPeresekD_Down     40.51 39.81 37.87                43.21           232.92
Levl_first_D1                33.94 36.19 36.47                38.99            78.20
Levl_first_MN1               30.33 33.31 35.62                34.03            99.66
arr_LastBarPeresekD_Up       32.66 40.83 35.21                38.65           238.36
Levl_Low_W1                  33.29 34.25 35.02                35.13           175.21
X_Use_Donchianf              31.06 34.26 33.54                36.21            97.49
Levl_Support_H4              33.55 38.03 33.15                36.91           248.48
Use_Filter_MA_Prirost        31.89 31.93 31.42                38.92            63.63
Levl_Close_H1                32.25 34.31 31.06                34.08           242.26
X_Use_Filter_Fibo_in_Day     29.56 30.80 30.99                36.89            71.70
Levl_Close_H4                34.27 33.26 30.79                34.17           272.58
X_USE_Filter_MA              25.90 31.13 29.25                33.87            66.11
X_Use_BarPeresek_iMA_TF      26.07 23.12 28.88                32.17            31.87
Levl_first_W1                26.50 28.50 27.21                28.70            83.33
arr_Vektor_Week              25.93 25.76 26.68                29.62            44.61
arr_Vektor_Don_M15           29.11 28.28 26.27                31.15            53.36
arr_RSI_Open_H1              30.82 29.38 25.75                36.56            45.64
Levl_Support_H1              26.88 27.87 25.56                27.72           215.06
arr_Vektor_Day               22.67 24.33 24.70                26.31            43.21
arr_Vektor_Don               23.32 25.04 21.89                25.40            65.35
arr_BB_Up                    10.94 11.71 16.86                15.05            21.55
arr_BB_Center                16.63 17.40 16.01                17.13            58.55
X_Use_ChanelEvaProc          13.36 17.13 12.74                23.63           106.51
arr_RSI_Open_M1               8.95 11.16 12.15                13.34            33.44
arr_BB_Down                  13.49 13.31  6.84                13.36            24.11
USE_Filter_MA_Donchian        3.60 -1.85  5.00                 3.82             2.32


Il numero di alberi richiesto è aumentato, certamente non il 100


Conta male: dovrebbe essere contato per colonna, peggio di prima, ma ancora molto decente

 
Matrice di errore per il modello Random Forest su Pred_027_2016_H2_T.csv [validare] (conteggi):

Previsto
Reale -1 0 1 Errore
-1 20157 5167 292 21.3
0 2222 37861 2060 10.2
1 373 5502 17608 25.0

Matrice di errore per il modello Random Forest su Pred_027_2016_H2_T.csv [validare] (proporzioni):

Previsto
Reale -1 0 1 Errore
-1 22.1 5.7 0.3 21.3
0 2.4 41.5 2.3 10.2
1 0.4 6.0 19.3 25.0

Errore complessivo: 17,1%, errore medio di classe: 18,83333%.


Matrice di errore per il modello Random Forest su Pred_027_2016_H2_T.csv [test] (conteggi):


Previsto

Reale -1 0 1 Errore

-1 19963 5131 328 21.5

0 2259 37753 2104 10.4

1 404 5703 17597 25.8


Matrice di errore per il modello Random Forest su Pred_027_2016_H2_T.csv [test] (proporzioni):


Previsto

Reale -1 0 1 Errore

-1 21.9 5.6 0.4 21.5

0 2.5 41.4 2.3 10.4

1 0.4 6.3 19.3 25.8


Errore complessivo: 17,4%, errore medio di classe: 19,23333%


La notevole stabilità dell'errore è molto incoraggiante.

 
SanSanych Fomenko:

Qui.


Il numero di alberi richiesto è aumentato, certamente non il 100


L'errore è quello di non contare correttamente: bisogna contare per colonna, peggio di prima, ma ancora molto decente

Grazie! Quindi l'insieme dei predittori non è così male, e c'è un motivo per espanderlo!


SanSanych Fomenko:

La sorprendente stabilità dell'errore è molto incoraggiante.

O forse il campione è solo molto tipico? Sto pensando che in qualche modo dovremmo essere addestrati su un file del 2015, e testati sul 2016 - ci sono tendenze globali della direzione opposta, penso che il sistema non sarà in grado di funzionare così efficacemente lì.

Eh, vorrei sapere come altro farlo funzionare... Mi chiedo se l'impalcatura in Maxim's e qui è la stessa per la logica della formazione o no?

 
Aleksey Vyazmikin:

Grazie! Quindi l'insieme dei predittori non è così male, e ha senso espanderlo!


O forse il campione è solo molto tipico? Sto pensando che in qualche modo dovremmo allenarci su un file del 2015, e controllare il 2016 - ci sono tendenze globali della direzione opposta, penso che il sistema non sarà in grado di lavorare in modo efficace lì.

Eh, vorrei sapere come altro farlo funzionare... Mi chiedo se l'impalcatura di Maxim e qui sono uguali nella logica della formazione o no?

Ho scritto sopra, e lo ripeto:

  • controllare il potere predittivo
  • dividere il file e vedere l'errore nella seconda metà.


PS.

I predittori sono già in eccesso.

 
SanSanych Fomenko:

L'ho scritto sopra e lo ripeto:

  • controllare la capacità predittiva
  • dividere il file e vedere l'errore sull'altra metà.

Perché dividere un file quando tutto è già diviso in due file? Solo che non so come farlo in R, nessuno è mai stato in grado di spiegarmelo - apparentemente stupido.

SanSanych Fomenko:

PS.

Ho già molti pronostici.

Non proprio, non è tutto quello che uso nel trading reale, compreso l'uso di ATS.

Spero davvero che la rete possa superare l'EA ottimizzata sulla storia :)

 

Dove hai raccolto così tanti farthers? li hai selezionati manualmente per adattarli alla strategia? pazzesco :)

la logica dell'impalcatura dovrebbe essere +- la stessa

 

Ma qui c'è un modello diverso:

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (counts):

      Predicted
Actual   -1     0    1 Error
    -1 6176 18666  774  75.9
    0  2242 38585 1316   8.4
    1  1333 17683 4467  81.0

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (proportions):

      Predicted
Actual  -1    0   1 Error
    -1 6.8 20.5 0.8  75.9
    0  2.5 42.3 1.4   8.4
    1  1.5 19.4 4.9  81.0

Overall error: 46%, Averaged class error: 55.1

Il risultato è che TUTTO il resto, anche se il modello è qualitativamente diverso, dovrebbe funzionare male sui vostri dati.


Dobbiamo mettere il randomForest a regime

 
Aleksey Vyazmikin:


Spero davvero che la rete possa superare l'EA ottimizzata sulla storia :)

Perché dividere un file se tutto è già diviso in due file? Non so proprio come farlo in R, nessuno è mai stato in grado di spiegarmelo, credo di essere stupido.

Dividere è un gioco da ragazzi, il problema è il pregiudizio contro R.


Spero vivamente che la rete sia in grado di superare un Expert Advisor ottimizzato sulla storia :)

Che bisogno c'è della rete?

1...942943944945946947948949950951952953954955956...3399
Nuovo commento