Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 935
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Como identifico os "preditores de ruído"? Tentando selecionar por relevância e removendo desta forma, o resultado ficou pior.
Tem havido muitas recomendações sobre este assunto.
Eu uso um esquema muito simples, não estou à procura de precisão, mas é muito claro.
Pego num preditor - um vector - e divido-o em duas partes: uma parte refere-se a uma classe do alvo, e a outra parte refere-se a outra classe do alvo. Depois construo histogramas de cada peça e comparo-os: se coincidem, são ruído, se divergem, têm algum poder de previsão. Se eles divergem completamente, então eles têm 100% de capacidade de previsão (ainda não a viram). A intersecção de histogramas é um erro de classificação que, em princípio, não pode ser superado.
Eu coloquei os gráficos aqui, tinha o rsi como o preditor. É possível fazer uma medida da divergência dos histogramas.
Isto é um barulho - com custo zero você pode verificar um número arbitrário de preditores contra um grande número de variáveis-alvo, o que às vezes faço como cortesia para os especialmente preguiçosos.
Não está claro como ler o seu indicador.
Não é um indicador, é uma floresta aleatória...
Você pode avaliar modelos por OOB, RMS, etc., mas não consegue entender o resultado do modelo.
Somente após combinar o resultado de uma floresta aleatória com uma tabela de preços é que as peculiaridades de comportamento do modelo podem ser detectadas.
Gráfico gerado usando https://github.com/Roffild/RoffildLibrary/blob/master/Include/Roffild/ToIndicator.mqh
Filter_02 2016 arr_Buy
A classe "1" até excede "0" em número, portanto há menos entradas falsas em comparação com antes. Experimente esta árvore na EA, por favor? Eu próprio estou curioso sobre o que o gráfico de lucro vai mostrar.
A primeira coluna com dígitos não é filtrada, a segunda é filtrada
Talvez eu tenha estragado a lógica da árvore?
Isto não é um indicador, mas uma floresta aleatória...
Você pode avaliar modelos por OOB, RMS, etc., mas não consegue entender o resultado do modelo.
Só depois de sobrepor o resultado da floresta aleatória na tabela de preços é que as peculiaridades do comportamento do modelo são reveladas.
Gráfico gerado usando https://github.com/Roffild/RoffildLibrary/blob/master/Include/Roffild/ToIndicator.mqh
Não está claro, você claramente não tem a floresta, mas o indicador - talvez o fato de ter processado alguma lógica da "floresta" e produzi-la, mas não se torna um indicador.
Então o que querias mostrar, como ler as leituras, o que é que elas dão?
A primeira coluna com números não é filtrada e a segunda coluna com um filtro
Talvez eu tenha estragado a lógica da árvore?
Houve um erro.
Não está claro, você claramente não tem uma floresta lá, mas um indicador - talvez a questão seja que ele processou alguma lógica "florestal" e a deduziu, mas isso não faz com que não seja um indicador.
Então, o que você queria mostrar, como ler as leituras, o que elas dão?
Se você não acredita que o gráfico é uma floresta real, então a noção de floresta está claramente errada...
O que é que isto tem a ver com uma questão de fé? Eu vejo rabiscos no gráfico - e não entendo como interpretá-los - tudo.
Dr. Trader, em geral você tem que ramificar mais acima da árvore, há muito pouca informação para tomar uma decisão.
A primeira coluna com números é sem filtro e a segunda com filtro
Estou a ver. A árvore não conseguiu aprender a filtrar corretamente, então o resultado não foi muito melhor com a filtragem, apenas menos negócios. Basicamente filtraram algumas das boas e algumas das más profissões ao acaso,
Eu treinei a árvore em 2015 apenas para o Malovhodov.
Filter_02 e mnogovhodov_02 foram treinados para 2016, é melhor comparar 2016 e 2017 em testador (2017 - novos dados que não estavam em arquivo, que é o mais interessante de se ver).
Dr. Trader, em geral você precisa ramificar mais a árvore, há muito pouca informação para tomar uma decisão.
Descobri que mais ramificações levam a um excesso de equipamento. Para maior precisão, devemos mudar para modelos mais complexos - floresta ou neurônica.
Você ainda pode ramificar para 100% de precisão nos dados de treinamento, mas de que adianta se tal árvore só falhar em novos dados. Quero ensinar tal modelo que poderá mostrar quase o mesmo resultado nos novos dados que nos dados do treinamento.