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 949

新しいコメント
 
サンサニッチ・フォメンコ

他に分類上の傾向は？クラスの予測誤差がトレンドを引き裂いてしまう--トレンドは何も残らない。

私はインプットを特定するだけで、アウトプットはMOの結果ではなく、トロールによって算出されるのです。

 
サンサニッチ・フォメンコ

もちろんだ、いいかげんにしろ！

他には？

数えてみる

楽しみですねぇ。

 
アレクセイ・ヴャジミキン

興味深く待っています

これです。

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


必要な木の本数は増えたが、確かに100本ではない


以前より悪くなったが、まだ非常にまともだ。

 
Pred_027_2016_H2_T.csv [validate]のRandom Forestモデルの誤差行列(カウント)。

予想
実績 -1 0 1 誤差
-1 20157 5167 292 21.3
0 2222 37861 2060 10.2
1 373 5502 17608 25.0

Pred_027_2016_H2_T.csv [validate]のRandom Forestモデルの誤差行列（割合）。

予想
実績 -1 0 1 誤差
-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

総合誤差：17.1％、平均クラス誤差：18.83333％。


Pred_027_2016_H2_T.csv [test]のRandom Forestモデルの誤差行列(counts)。


予想

実績 -1 0 1 誤差

-1 19963 5131 328 21.5

0 2259 37753 2104 10.4

1 404 5703 17597 25.8


Pred_027_2016_H2_T.csv [test]のRandom Forestモデルの誤差行列（割合）。


予想

実績 -1 0 1 誤差

-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


総合誤差：17.4%、平均クラス誤差：19.23333%。


誤差が著しく安定していることは、非常に心強いことです。

 
サンサニッチ・フォメンコ

これです。


必要な木の本数は増えたが、確かに100本ではない


エラーは、正しくカウントされていません：あなたは、列でカウントする必要があり、以前よりも悪化していますが、それでも非常にまともです

ありがとうございました。だから、予測変数のセットはそんなに悪くないし、それを拡張する理由もあるんだ！」。


サンサニッチ・フォメンコ

誤差が驚くほど安定しているのは、非常に頼もしい限りです。

それとも、サンプルが非常に典型的なだけなのでしょうか？2015年のファイルでトレーニングして、2016年のファイルでテストして......世界的に逆方向のトレンドがあるので、そこではシステムがあまり有効に機能しないのではないかと考えています。

えー、他に方法があればいいのですが・・・。マキシムのとここの足場は、形成の論理で同じなのか、そうでないのか。

 
アレクセイ・ヴャジミキン

ありがとうございました。だから、予測変数のセットはそれほど悪くないし、それを拡張するのは理にかなっているのです


それとも、サンプルが非常に典型的なだけなのでしょうか？2015年のファイルでトレーニングして、2016年にチェックするのがいいと思っています。

えー、他に方法があればいいのですが・・・。マキシムの足場とここは形成ロジックが同じなのか、違うのか。

上にも書きましたが、繰り返します。

  • 予知能力を確認する
  • を分割して、後半でエラーを確認します。


PS.

予兆はすでに過剰になっている。

 
サンサニッチ・フォメンコ

上にも書きましたが、もう一度言います。

  • 予知能力を確認する
  • を分割し、残りの半分でエラーを確認します。

すでにすべてが2つのファイルに分かれているのに、なぜファイルを分割するのですか？ただ、Rでどうやればいいかわからないんです。誰も説明してくれないんです。どうやらバカみたいです。

サンサニッチ・フォメンコ

PS.

プレディクターはすでに豊富にあります。

そうでもないですよ、ATSの利用も含めて、実際の取引で使うのはそれだけではありません。

ネットワークが歴史上最適化されたEAを凌駕することを本当に願っています :)

 

どこでこんなにたくさんのファーザーを拾ってきたのですか？ 戦略に合わせて手動で選んだのですか？）

足場のロジックは +- 同じであるべきです。

 

しかし、ここでは別のモデルを紹介します。

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

その結果、他のすべてのモデルは、質的には異なるものの、あなたのデータではうまく機能しないはずです。


randomForestを高速化する必要がある

 
アレクセイ・ヴャジミキン


ネットワークが歴史上、最適化されたEAを上回ることを本当に望んでいます :)

すでにすべてが2つのファイルに分割されているのに、なぜファイルを分割するのですか？ただ、Rでのやり方がわからないのです、今まで誰も説明してくれませんでした、私が馬鹿なのでしょう。

割り算は楽勝、問題はRに対する偏見。


ネットワークが最適化されたExpert Advisorを歴史的に凌駕するようになることを強く望んでいます :)

ネットの必要性とは？

1...942943944945946947948949950951952953954955956...3399
新しいコメント
理由: