트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 254

 
트레이더 박사 :

어려워보이고 결과가 확실하지 않아 패스합니다.
R에는 GMDH 패키지(영어로 "MGUA")가 있습니다.

모든 종류의 알고리즘이 설명되어 있고 혼동하기 쉽기 때문에 어렵습니다.

패키지가 있지만 "썩은"

더 간단하고 짧게 만들도록 노력하겠습니다...

물리적 자기 조직화 조합 모델이 아닙니다.

샘플 요소(예측자)의 가능한 모든 조합을 어리석게 열거 하고 OOS에서 이 열거의 각 반복을 확인하는 것입니다. 다항식 또는 고조파가 예측자로 작용하기 때문에 그러한 조합은 새로운 수준으로 이동하고 다음에서 이미 조합을 만들어 복잡할 수 있습니다. 조합하고 OOS에서 다시 확인하고 다시 새로운 수준으로 OOS에서 실수로 최소값을 찾을 때까지 이것이 자기 조직의 본질입니다 (모든 것을 올바르게 이해했다면)

무엇을 제안할까요....

우리 모두는 그림 1과 같이 모든 함수를 푸리에 급수로 확장할 수 있다는 것을 알고 있습니다.

시간

그 반대도 사실입니다. 필요한 고조파 조합의 도움으로 우리가 필요로 하는 모든 기능을 얻을 수 있습니다.

이제 특정 함수(krivulka) 또는 벡터가 있다고 상상해 보세요. 무엇이라고 부르든 상관없습니다. 이는 시장 도구를 완전히 설명하고 앞서기도 합니다... 함수로 표현되는 일종의 까다로운 계절성일 수 있습니다. 또는 다른 도구, 또는 음력 주기에 대한 일종의 의존)) 그것은 절대적으로 중요하지 않으며 우리 인간은 그것을 인식하지 못합니다. 그러나 우리는 어디서 찾아야 하는지 알지 못하더라도 이 의존성을 찾을 수 있습니다... 이것을 의존성이라고 부르겠습니다. 시장 주도 - 슈퍼 의존성 more NW

필요한 것은

1) 적절한 범위의 고조파를 취하십시오.

2) 타겟 생성

3) 고조파와 시계 OOS 사이의 모든 종류의 조합을 통해 정렬 시작

이해했나요?? 얼마나 간단하고 얼마나 깊은지, 우리는 어디에서 SZ 를 찾아야 할지 모르지만, 우리 스스로 종합적으로 생성할 수 있습니다!! 그리고 우리는 이것이 OOS를 통해 SZ 임을 알게 될 것입니다.

그래서, 그것은 단순한 열거 알고리즘인 것 같습니다. 그리고 그 뒤에 숨겨진 강력한 의미는 제가 깨달았을 때 제가 단순히 놀랐습니다...

그러나 큰 BUT이 있습니다! , 수조 개의 조합이 있을 것입니다. 어떻게든 이 문제를 해결해야 하며 여기에는 귀하의 도움이 필요합니다.

유전학은 어떻게 든 좋은 조합을 찾을 수 있습니까?

아이디어와 구현에 대해 어떻게 생각하십니까?

날뛰다!!! ......

 

당신이 설명한 것은 결과를 "good on OOS"에 맞추는 것입니다. 먼저 샘플에서 좋은 결과가 나오도록 모델 매개변수(고조파 조합)를 선택합니다. 그런 다음 oo에 좋은 매개변수를 선택합니다. 이것은 좋은 결과를 위한 이중 적합이며 이 모델은 새로운 거래 데이터에서 거의 쓸모가 없을 것입니다.

고조파 조합의 도움으로 가격 움직임을 설명할 수 있지만 뉴런이나 숲에서도 같은 결과를 얻을 수 있습니다. 이미 뉴런으로 수백 번 해본 것 같은데 안 되는데 왜 MGUA 결과가 긍정적일 거라고 생각하세요? forex의 머신 러닝은 일반 작업처럼 간단하게 사용할 수 없으며, 시간이 지남에 따라 가격 행동이 변하고 , 찾고 사용하는 대부분의 종속성은 매우 빠르게 사라지게 됩니다. 그리고 이러한 모든 모델은 시간이 지남에 따라 변경되지 않는 지속적인 종속성을 위해 설계되었으므로 이러한 작업에서 이익을 가져오지 않습니다.

 
mytarmailS :

모든 종류의 알고리즘이 설명되어 있고 혼동하기 쉽기 때문에 어렵습니다.

패키지가 있지만 "썩은"

더 간단하고 짧게 만들도록 노력하겠습니다...

이것은 물리적인 자기 조직화 조합 모델이 아닙니다.

샘플 요소(예측자)의 가능한 모든 조합을 어리석게 열거 하고 OOS에서 이 열거의 각 반복을 확인하는 것입니다. 다항식 또는 고조파가 예측자로 작용하기 때문에 그러한 조합은 새로운 수준으로 이동하고 다음에서 이미 조합을 만들어 복잡할 수 있습니다. 조합하고 OOS에서 다시 확인하고 다시 새로운 수준으로 OOS에서 실수로 최소값을 찾을 때까지 이것이 자기 조직의 본질입니다 (모든 것을 올바르게 이해했다면)

무엇을 제안합니까....

우리 모두는 그림 1과 같이 모든 함수를 푸리에 급수로 확장할 수 있다는 것을 알고 있습니다.

그 반대도 사실입니다. 필요한 고조파 조합의 도움으로 우리가 필요로 하는 모든 기능을 얻을 수 있습니다.

이제 특정 함수(krivulka) 또는 벡터가 있다고 상상해 보세요. 무엇이라고 부르든 상관없습니다. 이는 시장 도구를 완전히 설명하고 앞서기도 합니다... 함수로 표현되는 일종의 까다로운 계절성일 수 있습니다. 또는 다른 도구, 또는 음력 주기에 대한 일종의 의존)) 이것은 절대적으로 중요하지 않으며 우리 인간은 그것을 인식하지 못합니다. 하지만 우리는 이 의존성을 어디에서 찾아야 하는지 알지 못하더라도 찾을 수 있습니다... 이것을 의존성이라고 부르겠습니다. 시장 주도 - 슈퍼 의존성 more NW

필요한 것은

1) 적절한 범위의 고조파를 취하십시오.

2) 타겟 생성

3) 고조파와 시계 OOS 사이의 모든 종류의 조합을 통해 정렬 시작

이해했나요?? 얼마나 간단하고 얼마나 깊은지, 우리는 어디에서 SZ 를 찾아야 할지 모르지만, 우리 스스로 종합적으로 생성할 수 있습니다!! 그리고 우리는 이것이 OOS를 통해 SZ 임을 알게 될 것입니다.

그래서, 그것은 단순한 열거 알고리즘인 것 같습니다. 그리고 그 뒤에 숨겨진 강력한 의미는 제가 깨달았을 때 제가 단순히 놀랐습니다...

그러나 큰 BUT이 있습니다! , 수조 개의 조합이 있을 것입니다. 어떻게든 이 문제를 해결해야 하며 여기에는 귀하의 도움이 필요합니다.

유전학은 어떻게 든 좋은 조합을 찾을 수 있습니까?

아이디어와 구현에 대해 어떻게 생각하십니까?

지표에서 거의 같은 의미를 구현했습니다. 리소스 집약적입니다. 1000바의 히스토리에서 조정할 수 있고 10,000바의 히스토리에서 조정할 수 있습니다.결과는 다음과 같습니다: 때로는 완벽하게 작동하고 핍 가격을 예측합니다. 그러나 다른 때는 가까이 오지도 않습니다. 이는 이 모든 기간이 결제 시점 이후에 시장에 떠다니기 시작하기 때문입니다. 현재 값에서 수정 - +를 입력할 수 있지만 성공하지 못했습니다.
 
Dr.Trader :

당신이 설명한 것은 결과를 "good on OOS"에 맞추는 것입니다. 먼저 샘플에서 좋은 결과가 나오도록 모델 매개변수(고조파 조합)를 선택합니다. 그런 다음 oo에 좋은 매개변수를 선택합니다. 이것은 좋은 결과를 위한 이중 적합이며 이 모델은 새로운 거래 데이터에서 거의 쓸모가 없을 것입니다.

나는 이 아이디어를 생각하며 잠을 잤고 이것이 헛소리, 딱 맞는다는 것을 스스로 깨달았습니다 ...

그러나 문제는 왜 다른 모든 것에 적합하지 않습니까? 결국 OOS를 확인하는 훈련은 OOS에 대한 조정이라는 것이 밝혀졌습니다. 그렇죠? 사실이 아니라면 왜?

Dr.Trader :

MGUA의 결과가 긍정적일 것이라고 생각하는 이유는 무엇입니까?

나는 아직 이것을 잘 이해하지 못하며, 아마 영원히 이해하지 못할 수도 있다.

Nikolai가 개인적인 서신으로 저를 추천 한 것입니다 . 합리적인 것을 구축하려면 MGUA에 대해 알고 스펙트럼 분석을 공부하십시오.

그는 자신이 이것으로 시작했으며 최초의 작업 로봇을 만들 때 Ivakhnenka "MGUA"와 Marple "spectrum. anal"의 두 권의 책만 사용했다고 말했습니다.

책 제목의 번역이 정확하지 않습니다. 내용이 명확하도록 요약했습니다.

니콜라이는 누구인가? 겸손하고 똑똑한 사람일 뿐만 아니라

이것은 인공 지능 박사이며 약 20년 동안 로봇을 제작해 왔으며 그의 마지막 로봇은 다음과 같습니다.

나

즉, 30년 전, 우리가 아직 '신경망'이라는 단어를 몰랐던 시대에 원하는 대로 이 네트워크를 빙빙 돌린 사람.....

그리고 이제 이 사람은 Fourier와 Mgua 두 가지만 추천합니다. 상식적으로 들어볼 만하다고 합니다.. 이것이 작동해야 하는 제 이유입니다))

 
막심 로마노프 :
지표에서 거의 같은 의미를 구현했습니다. 리소스 집약적입니다. 1000개의 막대 기록에서 조정할 수 있고 10000개의 막대 기록에서 가능합니다. 결과는 다음과 같습니다. 때로는 완벽하게 작동하고 점 대 점 가격을 예측합니다. 그러나 다른 때는 가까이 오지도 않습니다. 이는 이 모든 기간이 결제 시점 이후에 시장에 떠다니기 시작하기 때문입니다. 현재 값에서 수정 - +를 입력할 수 있지만 성공하지 못했습니다.
글쎄요, 피팅은 피팅과 같습니다)) 제가 틀렸다는건 동의합니다..
 

문제

벡터 "x"와 행렬 "y"가 있습니다.

"x"와 행렬 "y"의 각 행 사이의 유클리드 거리를 빠르게 계산해야 합니다.

나는 내 자신의 것을 작성하여 표준 함수 "dist()"를 추월했습니다.

штатная

system.time( for (i in 1 :nrow(m)) {dist.ve[i] <- dist(rbind(x,m[i,]))})

   user  system elapsed
   4.38      0.00      4.39

самописная

system.time( for (i in 1 :nrow(m)) {dist.ve[i] <- euc.dist(x,m[i,])})
   user  system elapsed
   0.65      0.00      0.67

하지만 이것으로 충분하지 않습니다. 두 번째 0.0까지 속도를 높이고 싶습니다....

또 무엇을 생각할 수 있습니까?

코드:

x <- rnorm( 10 )
m <- matrix(data = rnorm( 1000000 ),ncol = 10 )

euc.dist <- function(x1, x2) sqrt(sum((x1 - x2) ^ 2 ))

dist.ve <- rep( 0 ,nrow(m)) # distance vector
system.time( for (i in 1 :nrow(m)) {dist.ve[i] <- dist(rbind(x,m[i,]))})
system.time( for (i in 1 :nrow(m)) {dist.ve[i] <- euc.dist(x,m[i,])})
 
mytarmailS :

그러나 문제는 왜 다른 모든 것에 적합하지 않습니까? 결국 OOS를 확인하는 훈련은 OOS에 대한 조정이라는 것이 밝혀졌습니다. 그렇죠? 사실이 아니라면 왜?

고정 데이터(일정한 종속성을 가짐)에 대한 교차 검증 및 oos 테스트가 유용합니다. 고정되지 않은 경우 - 쓸모가 없습니다.

예를 들어, 동일한 알고리즘을 사용하여 여러 모델을 훈련할 수 있지만 다른 시간의 데이터를 기반으로 합니다. 각 모델에 대해 샘플 및 oos에서 이익을 찾고 이 두 이익에 대한 상관 관계를 찾습니다. 잘 알려진 외환 모델의 경우 일반적으로 이러한 상관 관계가 없습니다. 샘플에 대한 이익은 아무 것도 보장하지 않습니다. 이 경우 새 데이터에 대한 결과를 개선하기 위해 교차 검증을 수행하는 것은 쓸모가 없습니다.
반면에 상관관계가 크고 양수이면 모델에 약간의 잠재력이 있으며 안전하게 교차 검증을 수행하여 모델 매개변수를 선택하고 결과를 개선할 수 있습니다.

 

다음은 이전 게시물의 예입니다. 몇 개월 동안의 시가( eurusd )를 취하여 모델(randomForest)을 학습시키고 단기간에 새로운 데이터를 예측하는 데 사용합니다. 목표 값 - 다음 막대에 대한 가격 상승(2개의 클래스 0 및 1). 이것은 다른 기간 동안 모두 1000번 반복된 다음 상관 관계를 찾습니다.

마지막에 훈련 결과와 새 데이터의 상관 관계를 볼 수 있습니다. 이 경우에는 약 0.1로 나타났습니다. 훈련에서 무언가를 변경해야 합니다. 이 접근 방식은 이익을 가져오지 않습니다. 훈련 데이터에 대한 좋은 결과가 미래에 좋은 결과를 보장하지는 않습니다.

TrainModel 기능에서 모델의 훈련을 대체하고, 교차 검증을 수행하고, 유전학에 의한 매개변수 선택 등을 수행할 수 있습니다.

파일:
 
트레이더 박사 :

다음은 이전 게시물의 예입니다. 몇 개월 동안의 시가( eurusd )를 취하여 모델(randomForest)을 학습시키고 단기간에 새로운 데이터를 예측하는 데 사용합니다. 목표 값 - 다음 막대에 대한 가격 상승(2개의 클래스 0 및 1). 이것은 다른 기간 동안 모두 1000번 반복된 다음 상관 관계를 찾습니다.

마지막에 훈련 결과와 새 데이터의 상관 관계를 볼 수 있습니다. 이 경우에는 약 0.1로 나타났습니다. 훈련에서 무언가를 변경해야 합니다. 이 접근 방식은 이익을 가져오지 않습니다. 훈련 데이터에 대한 좋은 결과가 미래에 좋은 결과를 보장하지는 않습니다.

TrainModel 기능에서 모델의 훈련을 대체하고, 교차 검증을 수행하고, 유전학에 의한 매개변수 선택 등을 수행할 수 있습니다.

1. 왜 수동으로 정규화합니까? scale()이 있습니다

2. -1과 1이 상관관계가 좋은 이유는 무엇입니까? 1이 좋은 경우에만 -1은 매우 나쁨, 아이디어를 올바르게 이해하면 -1은 동일한 역 상관 관계

3. 학습된 모델의 오류를 슬라이딩 창에서 모니터링하려고 시도했으며 적합하지 않은 경우 모델을 다시 학습하고 어떻게되는지 확인하십시오.

4. 모든 것이 제대로 작동하지 않는 이유, 시장이 고정되어 있지 않은 이유, 기능 형성을 위한 다른 개념을 개발해야 하는 이유, 논리적 규칙의 패러다임으로 완전히 이동할 수 있는 이유 숫자에서 거의 완전히 벗어나거나 스펙트럼 분석을 공부하십시오)) )))

 

어제 나는 하나의 아이디어를 끝내기 위해 적절한 것을 찾기 위해 패키지를 뒤졌습니다. 적절한 것을 찾지 못했지만 흥미로운 하나를 찾았습니다 ...

패키지는 "추세"라고합니다.

https://cran.r-project.org/web/packages/trend/trend.pdf

패키지는 유행성 및 기타 모든 종류의 다양한 테스트를 구현합니다.

예: 기능

mk.test() - 추세의 특성을 제공합니다. 음, 위 또는 아래, 다른 것이 있습니다...

pettitt.test() - 내가 이해 하는 한 벡터에서 추세가 시작된 지점을 찾습니다.

sens.slope() - 이 함수를 사용하여 추세의 기울기 각도를 계산할 수 있습니다.

그리고 다른 모든 종류의 굿즈가 있습니다

어떻게 든 추세를 과학적으로 볼 수 있다면 확인해야한다고 생각합니다) 200 값의 슬라이딩 창에서 mk.test() $Zg를 계산했습니다. 닫기에 따르면 지표와 같은 것으로 나타났습니다.

제로 위 추세 상승, 0 미만 추세 하락

일

그리고 뭐? 추세를 잡아서 가격 방향을 혼동하지 않는 macds 및 stochastic에는 모든 종류가 있습니다.... 일반적으로 인상적인 것은 추세 방향의 위치가 항상 열려 있다는 것입니다...

어떤 기간에는 나쁜 돈을 벌지도 않습니다.

~와 함께

그러나 이것은 오히려 모든 것에 적합합니다. M5가 아니라 시계를 가져간다면 우리는 할 수 있고 합리적인 것이 있을 것입니다.

강력한 컴퓨터를 가지고 있고 시간이 있는 Karoch, 트렌드, 기울기, 각도 등을 위해 이 모든 테스트를 계산하고 MO에 갑자기 무언가가 나옵니다. 제 컴퓨터가 지금 전속력으로 작동하고 있다는 것입니다. 처리를 위해 시작되었고 4일 후에 계산이 완료되며 현재 내가 앉아 있는 랩톱에서는 해당 사이트를 볼 수만 있습니다.