Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2121
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
Eu fiz - não funcionou.
Isso é estranho... OK, vou dar outra vista de olhos a este tópico. Depois digo-te.
que não está listada na documentação oficial.
Maxim, você pode comparar onde a velocidade de aprendizagem é mais rápida, em python ou na versão de console do CatBoost?
Estranho... OK, vou dar outra vista de olhos a esta linha - eu volto mais tarde.
Primeiro falou por lembrança e acabou por se revelar errado.
Acabei de verificar agora mesmo com validação cruzada. O tempo ainda dá 1-2% de aumento em novos dados. Enquanto que a prevalência total de previsões bem sucedidas sobre as mal sucedidas é de cerca de 5% na TP=SL. Em outras palavras, de 10 a 30% de contribuição para o sucesso vem do tempo.
No entanto, isto é um teste a um pedaço de história de 2 meses. Em outro pedaço de história, as coisas podem mudar.Eu alimento o tempo como cosseno e seno. Isto já foi discutido aqui https://www.mql5.com/ru/forum/212376#comment_5983502
Simplesmente como 0...5(dia da semana) ou 0...23 (hora) ou 0...59 (minuto) também pode ser alimentada, mas como uma variável categórica.
Seno e co-seno já são numéricos, qualquer algoritmo aceitará.
há uma tendência relativamente nova chamada aprendizagem activa. Pode auto amostrar os dados da melhor maneira possível. Parece ser adequado para a minha abordagem (amostragem aleatória). Ainda não entrei nisso.
https://libact.readthedocs.io/en/latest/overview.html
https://medium.com/towards-artificial-intelligence/how-to-use-active-learning-to-iteratively-improve-your-machine-learning-models-1c6164bdab99
À medida que avançamos, as frequências e possivelmente as fases estão a flutuar... As amplitudes estão a aguentar...
Aqui está a previsão para 500 pontos do modelo montado sobre o histórico de 10k de 4 harmônicas
Podemos ver que a previsão é precisa para todos os 500 pontos, mas as frequências são flutuantes e usando um algoritmo incompreensível.
E isto é apenas um exemplo ilustrativo, às vezes é ainda pior.
Já experimentou com incrementos?
"Uma das propriedades úteis de uma série de incrementos é a maior estabilidade do espectro em comparação com o processo original. ". Isto é Goodman escrevendo.
Eu alimento o tempo como cosseno e seno. Isto já foi discutido aqui https://www.mql5.com/ru/forum/212376#comment_5983502
Igual a 0...5(dia da semana) ou 0...23 (hora) ou 0...59 (minuto) também pode ser alimentada, mas como uma variável categórica.
Seno e co-seno já são numéricos, qualquer algoritmo aceitará.
Você pode postar a função que converte o tempo em seno/coseno? Eu também tentaria este método. No artigo que publiquei, o número de horas acabou por ser um preditor significativo. Pergunto-me se este método é adequado para modelos de madeira ou mais para redes neurais.
Já experimentou com incrementos?
"Uma das propriedades úteis de uma série de incrementos é a maior estabilidade do espectro em comparação com o processo original. ". Isto é Goodman escrevendo.
não