Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1336

 
Maxim Dmitrievsky:

не, у меня марковский процесс, решение зависит только от текущего стейта, нет планирования при обучении в таком виде как в классическом q-learning, например

тогда нечему в тестере учиться - сразу на реалтайм:)

а если использовать тестер, то делать все в одном проходе

 
Ivan Negreshniy:
Дело в том, что связь будущих цен с текущими, по логике осуществляется через то, что на базе текущих цен планируется вся торговля, которая в свою очередь влияет на будущие цены т.е. связь аргументы-функция идет слева направо, а не наоборот.

У него краткосрочные сделки, судя по графику. От перестановки ничего не изменится. Даже лучше, т.к. обучение на последних данных, есть вероятность, что реал будет лучше, чем при обучении задолго до реала.

 
Maxim Dmitrievsky:

уже гоняю по маленьку на бирже, щупаю.. 

ну может на бирже, где агент своими действиями сможет там в стакане как то влиять на процесс, а тут на форексе, где нет никакого влияния и рассматривать его как марковский...
 
Maxim Dmitrievsky:

На очереди уникальнейшие разработки ботов с искусственным разумом, которые завоюют не только рынок но и весь мир

Планы Наполеоновские. Напомню, Наполеон закончил на о. Святой Елены.

 
Yuriy Asaulenko:

Планы Наполеоновские. Напомню, Наполеон закончил на о. Святой Елены.

Все где-нибудь заканчивают.
 
Maxim Dmitrievsky:

это для вас велосипед, а для других kernelized SVM(про "Векторную машину Решетова")

Сомневаюсь что "kernelized", выход у неё линейный, тупо гиперплоскость, да вроде и не SVM, лично сам не анализировал подробно Ява-код, который Юра публиковал на киберфоруме, перед тем как пропал, но один знакомый "граале-писатель" на заказ, для заказчика анализоровал этот код чтобы что то там подкрутить и говорил что там тупо переборный поиск коэффициентов линейной модели, какой то кастомный стохастический перебор типа генетики или отжтига, результат вектор линейных коэффициентов, короче более продвинутая версия этого шедевра:

AI - эксперт для MetaTrader 4

double perceptron() 
  {
   double w1 = x1 - 100;
   double w2 = x2 - 100;
   double w3 = x3 - 100;
   double w4 = x4 - 100;
   double a1 = iAC(Symbol(), 00);
   double a2 = iAC(Symbol(), 07);
   double a3 = iAC(Symbol(), 014);
   double a4 = iAC(Symbol(), 021);
   return(w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

Только коэффициенты ищутся не МТ-оптимизатором а собственной поделкой.

 
Закончил обработку моделей, seed с 1 по 200 - выборки поменял местами учебная стала валидационной и наоборот. В таблице сохранил логику, т.е. там где было 10% стало 90% и наоборот - это из-за перемены местами выборки.

Таблица с результатами оценки баланса



Таблица с метрическими показателями




Таблица с числом моделей, соответствующих критериям отбора на независимой выборке




Таблица с числом моделей, соответствующих критерию отбора на всех трех выборках



Моделей отобрано мало - не ясно почему так произошло - надо подумать.

Графики моделей (гифки не стал делать из за малого числа отобранных моделей)


60%

70%

Какой можно сделать тут вывод - соотношение выборки опять получилось за 30% (старые выборки 70%, но поменяны местами!). Графики имеют на первый взгляд больше различий, но по прежнему недостаточно для эффективного параллельного запуска, для покрытия большего процента полноты (Recall).

 

А вот так можно объединить две модели из последнего и предпоследнего эксперимента - правда разделение усилил до 0,55. Вход по принципу если у одной из моделей сигнал, то входим в рынок.


 
Maxim Dmitrievsky:

короче я говорил, что будет то же самое, только наоборот

the power of theory

А я не понял, что наоборот будет/стало :)

Чем не метод брутефорса, играть с выборками?
 
Aleksey Vyazmikin:

А вот так можно объединить две модели из последнего и предпоследнего эксперимента - правда разделение усилил до 0,55.


Вообще надо тут как то автоматизировать процесс с подбором сетов из разных моделей.