트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩

Maxim Dmitrievsky 2017.11.03 22:13 #5151

도서관 :

NS(4분)보다 훨씬 빠른 스캐폴딩도 확인했는데 결과는 거의 같습니다. 흥미롭게도 선형 회귀 는 동일한 결과로 훨씬 더 빠르게 계산합니다.
누군가가 여기에 썼듯이 - 그것은 모두 기능에 관한 것입니다.

글쎄, 이것이 가장 중요한 것이고 다른 모델과 가방을 가지고 노는 것은 큰 증가를주지 않습니다 :)

Forester 2017.11.03 22:13 #5152

막심 드미트리예프스키 :

내가 이해하는 한 거기에서 1-2 Epoch를 설정할 수 있습니다. 거의 항상 처음으로 수렴합니다 .. 여기에 누락이 있었습니까? 오랫동안 사용하지 않았지만 뭔가 혼란 스러울 수 있습니다.

에포크의 제한 사항은 어디에서도 본 적이 없습니다.

Maxim Dmitrievsky 2017.11.03 22:16 #5153

도서관 :
에포크의 제한 사항을 어디에서도 본 적이 없습니다.

mlptrainlm 함수

 /**************************************************** **** **************************
수정된 Levenberg-Marquardt를 사용하여 정확한 신경망 훈련
헤시안 계산 및 정규화. 서브루틴은 신경망을 훈련시킵니다.
임의의 위치에서 다시 시작합니다. 알고리즘은 소규모에 적합합니다.
및 중간 규모 문제(수백 개의 가중치).

입력 매개변수:
    네트워크 - 초기화된 지오메트리가 있는 신경망
    XY 트레이닝 세트
    NPoints - 훈련 세트 크기
    감쇠 - 중량 감쇠 상수, >=0.001
                    감쇠 용어 '감쇠*||가중치||^2'가 오류에 추가되었습니다.
                    기능.
                    어떤 Decay를 선택해야 할지 모르겠다면 0.001을 사용하십시오.
   다시 시작 - 임의 위치에서 다시 시작 횟수, >0.
                    무엇을 다시 시작해야 할지 모르는 경우 2를 사용하십시오.

내 생각에는

Forester 2017.11.03 22:17 #5154

막심 드미트리예프스키 :

글쎄, 이것이 가장 중요한 것이고 다른 모델과 가방을 가지고 노는 것은 큰 증가를주지 않습니다 :)

NN의 장점은 비선형 종속성을 찾아 사용하는 것이라고 생각합니다.
Vladimir의 마지막 기사 에는 2개가 있습니다.

오히려 선형 회귀를 악화시킵니다.

Forester 2017.11.03 22:20 #5155

막심 드미트리예프스키 :

mlptrainlm 함수

이것은 권장 값이며 아무도 최소 1000을 설정하는 것을 귀찮게하지 않지만 오랜 시간이 걸릴 것입니다 ... 코드를 살펴 보았습니다. epoch 수에 대한주기가 있습니다. 2).

Maxim Dmitrievsky 2017.11.03 22:26 #5156

도서관 :
NN의 장점은 비선형 종속성을 찾아 사용하는 것이라고 생각합니다.
Vladimir의 마지막 기사 에는 2개가 있습니다.

오히려 선형 회귀를 악화시킵니다.

포리스트는 또한 비선형 이전 패턴에만 독점적으로 사용되며 선형 패턴에서는 작동하지 않습니다.

Yuriy Asaulenko 2017.11.03 22:28 #5157

도서관 :
이것은 권장 값이며 아무도 최소 1000을 설정하는 것을 귀찮게하지 않지만 오랜 시간이 걸릴 것입니다 ... 코드를 살펴 보았습니다. epoch 수에 대한주기가 있습니다. 2).

6퍼프에 1500까지 만들었습니다. 예, 오랫동안 약 32시간 동안이지만 우선 결과가 기대 이상입니다. 둘째, 손으로 디자인 하는 것에 비해 완전하고 길지 않습니다.) 그리고 MLP를 사용하면 - 표준 구조에서 원하는 것을 가르칩니다.))

Forester 2017.11.03 22:35 #5158

막심 드미트리예프스키 :

포리스트는 또한 비선형 이전 패턴에만 독점적으로 사용되며 선형 패턴에서는 작동하지 않습니다.

아마도 이것이 검증 영역의 숲이 선형 회귀 보다 0.4% 더 나은 이유일 것입니다))). 훈련 시간은 각각 36분과 3분입니다(265개 입력). 내가 선형 회귀 를 좋아하는 것.

Maxim Dmitrievsky 2017.11.03 22:37 #5159

어쩌면 누군가가 탐닉하기를 원할 수도 있습니다. 숲은 증분으로 훈련되며 앞으로 1바에 대한 예측을 제공합니다. 설정은 훈련 깊이, 증분 지연 및 항목 수를 설정합니다(각각의 새 항목은 1bar씩 뒤로 시프트됨). 그런 다음 현재 가격 에서 예측 값을 뺍니다. 히스토그램은 각각의 새 막대에 대해서만 그려지며 시각화 도우미에서 보았습니다.

 //+------------------------------------------------------------------+
//|                                          NonLinearPredictor.mql5 |
//|                                                  Dmitrievsky Max |
//|                        https://www.mql5.com/ru/users/dmitrievsky |
//+------------------------------------------------------------------+
#property copyright "Dmitrievsky Max."
#property link        "https://www.mql5.com/ru/users/dmitrievsky"
#property version    "1.00"
#property indicator_separate_window
#property indicator_buffers 2
#property indicator_plots    1
//--- plot Label1
#property indicator_label1    "Tensor non-linear predictor"
#property indicator_type1    DRAW_COLOR_HISTOGRAM
#property indicator_color1    clrOrangeRed , clrOrange
#property indicator_style1    STYLE_SOLID
#property indicator_width1    1
//--- подключим библиотеку Alglib
#include <Math\Alglib\alglib.mqh>

//RDF system. Here we create all RF objects.
CDecisionForest      RDF;                                     //Random forest object
CDFReport            RDF_report;                               //RF return errors in this object, then we can check it
double RFout[ 1 ], vector[];                                     //Arrays for calculate result of RF
CMatrixDouble RMmatrix;
int retcode= 0 ;

//--- input parameters
input int              last_bars= 500 ;
input int              lag= 5 ; 
input int              bars_seria = 100 ;

//--- indicator buffers
double          SpreadBuffer[];
double          ColorsBuffer[];

//--- время открытия предыдущего бара
static datetime last_time= 0 ;
int needToLearn= 0 ;
//+------------------------------------------------------------------+
//| Custom indicator initialization function                         |
//+------------------------------------------------------------------+
int OnInit ()
  {
//--- indicator buffers mapping
   SetIndexBuffer ( 0 ,SpreadBuffer, INDICATOR_DATA );
   SetIndexBuffer ( 1 ,ColorsBuffer, INDICATOR_COLOR_INDEX );
//--- установим индексацию как в таймсерии - от настоящего в прошлое
   ArraySetAsSeries (SpreadBuffer, true );
   ArraySetAsSeries (ColorsBuffer, true );
   RMmatrix.Resize(last_bars,bars_seria);
   ArrayResize (vector,bars_seria- 1 );
//---
   IndicatorSetString ( INDICATOR_SHORTNAME , StringFormat ( "Non-linear predictor (%s, %s, %s)" , _Symbol ,( string )last_bars, ( string )lag));
   IndicatorSetInteger ( INDICATOR_DIGITS , 5 );
   return ( INIT_SUCCEEDED );
  }
 
int OnCalculate ( const int rates_total,
                 const int prev_calculated,
                 const datetime &time[],
                 const double &open[],
                 const double &high[],
                 const double &low[],
                 const double &close[],
                 const long &tick_volume[],
                 const long &volume[],
                 const int &spread[])
  {
//---
   ArraySetAsSeries (close, true );
  
   if (prev_calculated== 0 || needToLearn>last_bars/ 5 ) 
     {
       for ( int i= 0 ;i<last_bars;i++) 
       {   
         for ( int l= 0 ;l< ArraySize (vector);l++)
         {
          RMmatrix[i].Set(l, MathLog (close[i+ 1 +l]/close[i+lag+ 1 +l]));
         }   
        RMmatrix[i].Set(bars_seria- 1 , MathLog (close[i]/close[i+lag]));
       }
      CDForest::DFBuildRandomDecisionForest(RMmatrix,last_bars,bars_seria- 1 , 1 , 100 , 0.95 ,retcode,RDF,RDF_report);
      needToLearn= 0 ;
     }
     
   if (isNewBar()) 
    {
     if (retcode== 1 )
      {
       for ( int i= 0 ;i< ArraySize (vector);i++)
        {
         vector[i]= MathLog (close[i]/close[i+lag]);
        }
    
       CDForest::DFProcess(RDF,vector,RFout);
       SpreadBuffer[ 0 ]= MathLog (close[ 0 ]/close[ 0 +lag])-RFout[ 0 ];
       ColorsBuffer[ 0 ]=(SpreadBuffer[ 0 ]> 0 ? 0 : 1 );
      }
      needToLearn++;
     }
   return (rates_total);
  }
//+------------------------------------------------------------------+
//| возвращает true при появлении нового бара                        |
//+------------------------------------------------------------------+
bool isNewBar()
  {
   datetime lastbar_time= datetime ( SeriesInfoInteger ( Symbol (), _Period , SERIES_LASTBAR_DATE ));
   if (last_time== 0 )
     {
      last_time=lastbar_time;
       return ( false );
     }
   if (last_time!=lastbar_time)
     {
      last_time=lastbar_time;
       return ( true );
     }
   return ( false );
  
  }

Maxim Dmitrievsky 2017.11.03 22:38 #5160

도서관 :
아마도 이것이 유효성 검사 플롯의 숲이 선형 회귀 보다 0.4% 더 나은 이유입니다))). 훈련 시간은 각각 36분과 3분입니다(265개 입력). 내가 선형 회귀 를 좋아하는 것.

나는 또한 비교했다 - 나는 VR autoregression을하고 숲을 통해 동일하게했습니다 - 차이점은 최소화됩니다 :) 본질적으로 이것은 거기에 정상적인 패턴이 없다는 것을 의미합니다.

트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 516

mlptrainlm 함수

mlptrainlm 함수