Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1605
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
O que você está fazendo(teste em uma "terceira" amostra) em termos de GMDH é chamado de "critério de potência preditiva".
Vejo que você é um bom especialista. Poderia dizer a essência da GMDH em algumas frases, para não matemáticos?
Vejo que você é um bom especialista. Você poderia resumir MGUA em algumas frases, para não matemáticos?
Modelo de regressão com enumeração de características transformadas por diferentes núcleos (polinomial, estrias, o que quer que seja). O modelo mais simples com o menor erro é o preferido. Não poupa com o excesso de formação no mercado.
grosso modo, é um modelo de força bruta onde o mais simples é escolhido com base em critérios externos
é como o básico da aprendizagem de máquinas )
Por exemplo, a regressão do MSUA simplesmente ridiculariza a regressão do moderno algoritmo de floresta aleatória e impulsiona...
O reforço é melhor em tudo, se você preparar funcionalidades como para o MSUA, será melhor.
mas você não quer saber se você não sabe o que ensinar
Vejo que você é um bom especialista. Você poderia colocar a essência de MGUA em algumas frases, para os não matemáticos?
Não sou perito de todo )) infelizmente....
Se de forma muito simples, aproximada e imprecisa, o princípio da MGUA é a auto-organização...
Por exemplo, nós temos um conjunto de atributos
x1,x2,x3.....x20...
a partir destes atributos, criamos um conjunto de modelos de candidatos
m1,m2,m3.....m10...
a partir destes modelos são seleccionados os melhores, e dos melhores são criados novos modelos, mais uma vez é feita uma selecção.... etc... e assim por diante, até que o erro nos novos dados (anteriormente desconhecido para o algoritmo) seja reduzido
O próprio algoritmo muda, torna-se mais complexo e auto-organiza-se... Um pouco como um algoritmo genético.
Um modelo de regressão com enumeração de características transformadas por diferentes núcleos (polinomial, estrias, o que quer que seja). O modelo mais simples com o menor erro é o preferido. Não poupa com o excesso de formação no mercado.
Grosseiramente falando, é um modelo brutal, onde o mais simples é escolhido com base em critérios externos.
Então eu não vejo nada de novo e original nesta metodologia.
os melhores modelos são selecionados a partir destes modelos, e os melhores são usados para criar novos modelos, novamente selecionando.... etc... e assim por diante, até que o erro nos novos dados (anteriormente desconhecido para o algoritmo) diminua
O próprio algoritmo muda, torna-se mais complexo e auto-organiza-se... É um pouco como um algoritmo genético.
Então eu não vejo matemática aqui, é mais trabalho cerebral, bem, e codificação. GA é uma coisa trivial.
Por que então todos correm com esta MGUA, escrevendo dissertações, para que seja impossível entendê-las, se dentro dela há alguma primitiva, intuitivamente compreensível desde o jardim-de-infância?
O reforço é melhor em tudo, se você preparar os recursos como para MGUA, será melhor.
mas não importa se você não sabe o que ensinar
Eu discordo...
Vamos fazer um teste rápido, a olho nu )
Criar quatro variáveis (aleatórias regulares) com 1000 elementos cada
z1 <- rnorm(1000)
z2 <- rnorm(1000)
z3 <- rnorm(1000)
z4 <- rnorm(1000)
criar uma variável alvo y como uma soma de todas as quatro
y <- z1+z2+z3+z4
vamos treinar o boosting e o mgua, nem mesmo para previsão, mas apenas para forçar a explicary
Dividi a amostra em três pedaços, um treino dois para o teste.
em verde MGUA
Em vermelho: Generalized Boosted Regression Modeling (GBM)
cinza são os dados originais
Lembre-se, o alvo é a soma elementar de todos os palpiteiros.
http://prntscr.com/rawx14
Como vemos, ambos os algoritmos têm lidado muito bem com a tarefa
agora torna a tarefa um pouco mais complicada
adicionar soma acumulada ou tendência aos dados
z1 <- cumsum(rnorm(1000))
z2 <- cumsum(rnorm(1000))
z3 <- rnorm(1000)
z4 <- rnorm(1000)
e mudar o alvo para a forma
y <- z1+z2+z3
por isso somamos dois preditores com uma tendência e um regular, e z4 acaba por ser um ruído porque não toma parte no alvo y
e assim obtemos o seguinte resultado
http://prntscr.com/rax81b
O nosso impulso é todo fodido, e MGUA não importa.
Consegui "matar" o MSUA apenas com este alvo selvagem.
y <- ((z1*z2)/3)+((z3*2)/z4)
E mesmo isso não é completamente, e quanto ao impulso? )))
http://prntscr.com/raxdnz
código para jogos
Então eu não vejo a matemática aqui, é mais trabalho cerebral, bem, e codificação. GA é uma coisa trivial.
Por que então todos correm com este MSUA, escrevendo dissertações, para que seja impossível entendê-las, se dentro dele há alguma primitiva, intuitivamente compreensível desde o jardim de infância?
Eu não sei, mas descreve os dados muito melhor, postado por escrito, código postado
Eu discordo...
Vamos fazer um pequeno teste, rápido, a olho nu )
Eu não quero brincar com R (uso píton), talvez a razão seja que o MSUA cria regressores de fey, por causa disso ele se encaixa. Se fizermos a mesma selecção para o reforço, não haverá diferença
Aqui está uma enumeração de MSUA para uma floresta.
https://www.mql5.com/ru/code/22915
Eu não quero mexer com R (eu uso píton), talvez a razão seja que o MSUA cria regressores de fey, o que o torna adequado. Se você fizer a mesma seleção para o boosting, não haverá diferença
Aqui está uma enumeração de MSUA para uma floresta.
https://www.mql5.com/ru/code/22915
Primeiro, que outros regressores? Que disparate, porque é que o MSUA também sai quando se torna mais difícil?
Segundo, os dados que eu dei no exemplo foram os mesmos tanto para o MSUA como para o impulso.
em terceiro lugar, você não precisa fazer nada, não pode fazer uma matriz com quatro valores aleatórios em python e depois cumulá-los? Para verificar o impulso por si mesmo?
2 linhas de código )))
Eu próprio estou curioso sobre o que está lá dentro.