トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 2388

新しいコメント
 

同じモデルを数回再トレーニングすることで、1〜2％の改善が期待できます。）

ただし、512回ではない ))

 
マキシム・ドミトリエフスキー：

こうはいかない

モデルから重要度の 低い特徴量を削除して壊し、お尻と指（他の特徴量）を比較する、など。

1による削除も試みました。削除します。ゴミが多い場合、戦闘機の損失はほとんど気にならない)
 
しかし、これまで私はバーだけを相手にしてきました。当然、隣は脱落者の入れ替わりです。
あとは、MAとの 連携など、いろいろな機能に対応しなければなりませんね。
 
elibrarius:
1による削除も試しています。そうなんです。多くの破片がある場合、モデルは戦闘機の損失をほとんど認識しない)

これはすべてチューニングであり、ある種のパターンを見つける方法ではない、したがって、尾は犬を振ってはならない

 
elibrarius:
最初の最適な機能を選択した後、2番目の機能は最初の機能との相互作用が最も良いものとなり、これが繰り返されます。10個に達すると、次の機能は以前に選択した10個のうちのどれかと最も良い相互作用を持つものとなりますが、ほとんどの場合はそれらすべてと相互作用を持つものとなります。

私は、すべての可能性を一度に否定することは好きではありません。もしかしたら、このアプローチによって、面白いバリエーションも生まれるかもしれませんね。

ただ、その都度、機能を取捨選択することを考慮すると、何度も停止・起動を繰り返すことはできないんです。

1回分のデータを用意したら、また用意しなければならない、だからPythonが必要なんです。

ところで、そのための既製のオートマトンがあれば、私の予測器をあなたの方法で試してみてもかまわないのですが。

 
Aleksey Vyazmikin：

私は、可能性のある選択肢をすぐに捨ててしまうのが苦手なのですが、もしかしたらこの方法は面白い選択肢を提供できるかもしれませんね。

繰り返しのたびにどんな機能がなくなるかを考慮しながら、何度も停止と再開のサイクルを自動的に行うことはできないことです。

1回分のデータを用意したら、また用意しなければならない、だからPythonが必要なんです。

ところで、この目的のために既製のオートマトンがあるのなら、あなたの方法で私の予測器を試してもかまわないでしょう。

このままでは、1000の特徴量に対して、1万近いモデルが学習されることになります。
オートマトンは単純で、2つのサイクルが入れ子になっています。トレーニングの自動開始に問題があるのでは？それを解決すれば、他のことは些細なことになる。

 
elibrarius:

最後まで行くと、1000の特徴量に対して1万近いモデルが学習されることになる。

それは大変なことで、今は1000モデルで約1日かけてトレーニングしています。

ランダムフォレストでは 並列化すればもっと速くなるかもしれません。

elibrarius:

オートマトンは単純で、2つのサイクルが入れ子になっています。自動学習に問題があるのでは？それを解決すれば、他のことは些細なことになる。

そこが問題で、自動化できないんです。

 
マキシム・ドミトリエフスキー：

すべてチューニングであって、パターンを見つける方法ではないので、尻尾は犬を振らない方がいいんです。

分類統計学的に最適なパターンが、収益性において最適であるとは限らないということです。SLとTPが固定されている場合のみそうなります。

収入と支出のカーブ、つまり緑と赤のカーブに影響を与える方法を探しています。

サンプルに対するモデルの応答の確率分布は、学習させるとこのようになります。

独立したサンプルを供給すると、このようになります。

ご覧のように、曲線はほぼ合体していますが、模様はそれほど劣化していません。アクア曲線は0、マグネット曲線は1です。これらはかなり許容できる間隔で、模様はある種グローバルに保存されていますが、これらの模様の価格は、ある種の収入／支出に応じた重みづけがされていません。

 
Aleksey Vyazmikin：

そこが問題で、自動化できないんです。

2-3日Pythonを勉強すれば、catbustの起動のような簡単なものは可能です。さらに言えば、マキシムの記事にも事例がある。
 
マキシム・ドミトリエフスキー

次回の記事では、Pythonコードにストップとテイクプロフィットを 追加してください。

1...238123822383238423852386238723882389239023912392239323942395...3399
新しいコメント