Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2016

 
Aleksey Vyazmikin:

Há uma série de ideias sobre o porquê de isto poder ser útil:

1. Os preditores interdependentes podem ser identificados:

1.1 Construir um modelo separado com eles e avaliar o seu poder de previsão

1.2. excluí-los da amostra e avaliar seu impacto no resultado. se eles melhorarem o resultado, considerar a criação de preditores semelhantes

2. Use um preditor em vez de um grupo de preditores:

1. isto igualará as hipóteses de o tomar ao acaso na construção do modelo

2. Reduzir o tempo de formação, reduzindo a dimensionalidade

Sim, gostaria de testar isto, mas não conheço a ferramenta para criar um modelo deste tipo fora da caixa.


A propósito, há um pensamento aqui, porque não usam funções quebradas (por assim dizer com quantização - em vez de uma linha de passo) no treinamento, isso permitiria uma folga na precisão dos dados e reduziria o sobretreinamento.

Se os preditores são preços, então 3-5 barras cada um à esquerda e à direita estão muito correlacionados com a barra central, exceções são raras durante picos de preços acentuados. Leva cada quinto a sétimo bar e consegue mais ou menos o que queres. Ou passar para um período de tempo superior. Ou faça uma triagem dos preditores, verificando a correlação mútua entre eles. O fundador deste tópico também afinou as barras, veja o seu blog.

 
Aleksey Vyazmikin:

Eu recomendaria limpar os dados dos traços do lixo primeiro...

Imagine que você tem 10 atributos, 9 deles são atributos de lixo, você os comprime todos em um único atributo.

 
Maxim Dmitrievsky:

o mesmo... no início da semana funciona bem, depois do "pré-treino". Depois começa a chover a cântaros. Voltei a repetir, amanhã vou pô-lo para testes :D

Algum robô de negociação pode ser calculado incorretamente no trader... Após uma série de atualizações ele começa a negociar na direção errada

Também estou a trabalhar nas redes de recorrência em tocha.

amarelo - início das semanas, primeiros 1-3 dias


Interessante...

 

Alguém já tentou usar "níveis redondos" como sinais?

Ou como uma forma de processar os preços ?

Você pode marcar preços com valores circulares, por exemplo...

É possível remover valores que são os mesmos numa fila...

É uma boa compressão de informação, mais filtragem... Talvez seja mais fácil procurar padrões em tal gráfico para um modelo...

 
mytarmailS:

Alguém já tentou usar "níveis redondos" como sinais?

Ou como uma forma de processar os preços ?

Você pode marcar preços com valores circulares, por exemplo...

É possível remover valores que são os mesmos numa fila...

Não é uma má compressão de informação, além de filtragem... Talvez seja mais fácil procurar padrões em tal gráfico para um modelo...

Eu tenho a Renco.

 
mytarmailS:

Alguém já tentou usar "níveis redondos" como sinais?

Ou como uma forma de processar os preços ?

Você pode marcar preços com valores circulares, por exemplo...

É possível remover valores que são os mesmos numa fila...

É uma boa compressão de informação, mais filtragem ... Talvez seja mais fácil procurar padrões em tal gráfico para um modelo ...

Sim

...redesenho duro...

 
Artigo interessante sobre o uso de recursos no ensino. Há também uma gravação em vídeo da palestra.
Эффективные методы сжатия данных при тренировке нейросетей. Лекция в Яндексе
  • 2011.03.18
  • itnan.ru
Сжатие данных, Машинное обучение, Блог компании Яндекс
 
Maxim Dmitrievsky:
Como não pode ser ensinado, haverá um solucionador preso em mínimos locais. Quanto às ideias - nada pode ser retirado, porque é uma caixa negra.

Sobre ficar preso - talvez você precise mudar a maneira de corrigir o erro.

Bem, porquê caixa negra, se existem apenas 2-3 camadas, é bastante realista desmascarar por coeficientes. Pequenos coeficientes aqui podem ser grosseiros e zerados, o que reduzirá o número de entradas para o neurônio.

 
elibrarius:

Se os preditores são preços, então 3-5 barras cada um à esquerda e à direita estão muito correlacionados com a barra central, exceções são raras durante os picos de preços. Leva cada quinto a sétimo bar e consegue mais ou menos o que queres. Ou passar para um período de tempo superior. Ou faça uma triagem dos preditores, verificando a correlação mútua entre eles. O fundador deste tópico também desbastou as barras, veja o seu blog.

Os preditores não são preços em forma nua - muitos pontos relativos que podem ser semelhantes...

Não tenho a certeza se a triagem por correlação seria eficaz...

 
mytarmailS:

Eu começaria por recomendar que você limpe os dados dos atributos do lixo...

Imagine - você tem 10 atributos, 9 deles são lixo, você comprimiu tudo em um só atributo E daí?

E que método de limpeza você pode recomendar?