Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 91
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
um pacote que seleciona os BPs que podem ser previstos e aqueles que não podem, se eu entender corretamente
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
E a todos os que chegam. No arquivo da z1 há dois arquivos de treinamento e teste. Para o modelo Target build on train, aplicar ao teste, pós resultados em % (previsto com sucesso
de casos) para ambas as amostras (comboio = xx%, teste = xx%). Métodos e modelos não precisam de ser anunciados, apenas números. Qualquer manipulação de dados é permitida.
e métodos de mineração.
1. Todos os seus preditores não têm poder de previsão - todos sem excepção são ruído
2. Foram construídos três modelos: rf, ada, SVM. Aqui estão os resultados
rf
Chamada:
randomForest(fórmula = TFC_Target ~ ,
data = crs$dataset[crs$sample, c(crs$input, crs$target)],
ntree = 500, mtry = 3, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)
Tipo de floresta aleatória: classificação
Número de árvores: 500
Nº de variáveis tentadas em cada divisão: 3
OOB estimativa da taxa de erro: 49,71%
Matriz de confusão:
[0, 0] (0, 1] class.error
[0, 0] 197 163 0.4527778
(0, 1] 185 155 0.5441176
ada
Chamada:
ada(TFC_Target ~ ., data = crs$dataset[crs$train, c(crs$input,
crs$target)], control = rpart::rpart.control(maxdepth = 30,
cp = 0,01, minsplit = 20, xval = 10), iter = 50)
Perda: Método exponencial: Iteração discreta: 50
Matriz de Confusão Final para Dados:
Predição Final
Valor real (0,1] [0,0] [0,0
(0,1] 303 37
[0,0] 29 331
Erro do trem: 0.094
Erro de Fora do Saco: 0,157 iteração= 50
SVM
Resumo do modelo SVM (construído usando ksvm):
Suporte Vector Machine objeto da classe "ksvm"
Tipo SV: C-svc (classificação)
parâmetro : custo C = 1
Função do núcleo da Base Radial Gaussiana.
Hiperparâmetro : sigma = 0,12775132444179
Número de Vectores de Suporte : 662
Objetivo Função Valor : -584.3646
Erro de treino : 0.358571
Modelo de probabilidades incluído.
Tempo de espera: 0,17 segundos.
No conjunto de teste (quero dizer chocalhar, não no seu)
Matriz de erros para o modelo Ada Boost em test.csv [validar] (conta):
Previsto
Real (0,1] [0,0] [0,0
[0,0] 33 40
(0,1] 35 42
Matriz de erros para o modelo Ada Boost em test.csv [validar] (proporções):
Previsto
Actual (0,1] [0,0] Erro
[0,0] 0.22 0.27 0.55
(0,1] 0.23 0.28 0.45
Erro geral: 50%, Erro de classe média: 50%
Horário de funcionamento: 2016-08-08-08 15:48:15 usuário
======================================================================
Matriz de erros para o modelo Random Forest em test.csv [validar] (conta):
Previsto
Real [0,0] (0,1] (0,2)
[0,0] 44 29
(0,1] 44 33
Matriz de erros para o modelo Random Forest em test.csv [validar] (proporções):
Previsto
Actual [0,0] (0,1] Erro
[0,0] 0.29 0.19 0.40
(0,1] 0.29 0.22 0.57
Erro geral: 49%, Erro de classe média: 48%.
Horário de funcionamento: 2016-08-08-08 15:48:15 usuário
======================================================================
Matriz de erros para o modelo SVM em test.csv [validar] (conta):
Previsto
Real [0,0] (0,1] (0,2)
[0,0] 41 32
(0,1] 45 32
Matriz de erros para o modelo SVM em test.csv [validar] (proporções):
Previsto
Actual [0,0] (0,1] Erro
[0,0] 0.27 0.21 0.44
(0,1] 0.30 0.21 0.58
Erro geral: 51%, Erro de classe média: 51%
Horário de funcionamento: 2016-08-08-08 15:48:15 usuário
Análise ROC para floresta aleatória
Confirma o acima exposto.
Conclusão.
O seu conjunto de preditores é inútil.
um pacote que pode selecionar BPs que podem ser previstas e que não podem, se eu entender corretamente
Eu li, da descrição é um pacote muito bom (ForeCA, está até no repositório R, não há necessidade de baixar nada do githab). A principal característica é que ele classifica a "previsibilidade" dos dados.
E mais isto, que também é importante, pode ser aplicado para reduzir a dimensionalidade dos dados. Ou seja, dos preditores existentes, este pacote fará dois novos, com uma previsibilidade surpreendentemente boa. Ao mesmo tempo, eliminará o lixo, etc. Faz-me lembrar o Método dos Componentes Principais, mas em vez de componentes, fará algo próprio.
Muito simples - dê a este pacote uma tabela com muitos preditores (preços, indicadores, deltas, lixo, etc.). ForeCA dará uma nova mesa em vez da mesa original. Esta nova tabela é utilizada para treinar modelos de previsão (gbm, rf, nnet, etc.).
Se um pouco mais complicado, este é outro pacote de transformação nuclear de dados, com um viés no mercado de ações.
Parece tudo óptimo, directo, mesmo demasiado bom, vou ter de o verificar.
um pacote que seleciona os BPs que podem ser previstos e aqueles que não podem, se eu entender corretamente
http://www.gmge.org/2012/05/foreca-forecastable-component-analysis/
http://www.gmge.org/2015/01/may-the-forec-be-with-you-r-package-foreca-v0-2-0/
Extremamente curioso.
O pacote está instalado, a documentação está disponível.
Talvez alguém experimente e afixe o resultado?
Eu li, da descrição é um pacote muito bom (ForeCA, está até no repositório R, não há necessidade de baixar algo do githab). A principal característica é que ele classifica a "previsibilidade" dos dados.
E mais isto, que também é importante, pode ser aplicado para reduzir a dimensionalidade dos dados. Ou seja, dos preditores existentes, este pacote fará dois novos, com uma previsibilidade surpreendentemente boa. Ao mesmo tempo, eliminará o lixo, etc. Faz-me lembrar o Método dos Componentes Principais, mas em vez de componentes, fará algo próprio.
Muito simples - dê a este pacote uma tabela com muitos preditores (preços, indicadores, deltas, lixo, etc.). ForeCA dará uma nova mesa em vez da mesa original. Esta nova tabela é utilizada para treinar modelos de previsão (gbm, rf, nnet, etc.).
Se um pouco mais complicado, este é outro pacote de transformação nuclear de dados, com um viés para o mercado de ações.
Parece tudo óptimo, directo, mesmo demasiado bom, vou ter de o verificar.
Isso não exigiria uma pré-selecção?
Pessoal, continuem com isso!
Conclusão.
O seu conjunto de preditores é inútil.
"pós resultados em % (casos previstos com sucesso) para ambas as amostras (trem = xx%, teste = xx%). Não há necessidade de especificar métodos e modelos, apenas números".
Estamos à espera de mais resultados. Pergunto-me que conclusões tirará Mihail Marchukajtes.
OK)))) mas leia atentamente as condições -
"pós resultados em % (casos previstos com sucesso) para ambas as amostras (trem = xx%, teste = xx%). Não há necessidade de especificar métodos e modelos, apenas números".
Estamos à espera de mais resultados. Pergunto-me que conclusões tirará Mihail Marchukajtes.
O teste é desnecessário!
O modelo não pode ser treinado! Não se pode testar um espaço vazio.
Eu li a descrição e parece ser um pacote muito bom (ForeCA, ..............