Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1342

 
Maxim Dmitrievsky:

пропуски из-за выхода фичей за диапазоны значений

нашли какие-нибудь интересные предикторы? или раз на раз

Т.е. полагаете, что ранее таких значений на истории не встречалось и поэтому модель в бездействии образует пропуски, т.е. недостаточная по полноте выборка для обучения?

Ну, предикторы у меня все интересные - вымученные годами :) А вот что лучше работает, я пока не знаю, как раз сейчас работаю над скриптом, который мне поможет лучше это понять, надеюсь.

 
Vladimir Perervenko:

Поздравления.

Terminal: Добавлено API для запроса данных из терминала MetaTrader 5 через приложения, использующие язык R.

Для работы мы подготовили специальный пакет MetaTraderR. В нем содержатся DLL для взаимодействия между R и терминалом MetaTrader 5, документация и вспомогательные r-файлы. Сейчас пакет находится в процессе регистрации в репозитории CRAN, и в ближайшее время станет доступен для скачивания и установки.

Подождем продолжения.

Удачи

очень интересно, будем ждать

 

О чём шумят деревья...

На графике по оси Y номер листа (бинарного дерева), а по оси X строка выборки (тестовой в данном случае). Цветовые диапазоны в легенде - значения взяты по модулю, показывают отклик листа. В модели используется 7 деревьев, т.е. единовременно на одну строку будет приходить значение с каждого листа, всего 7, они суммируются и применяется потом логистическая функция, к примеру сумма 0 будет равна 0,5.

Из графика можно сделать вывод, что часть листьев не активировалась за период тестовой выборки, т.е. ситуации на выборке обучения и теста не повторялись, так же можно отметить большую концентрацию листьев с малым откликом (красный цвет), которые на результат влияют не значительно, что говорит скорей о шуме или разобщенности логически сходных условий.

График модели в рынке

График баланса точности

Модель взята просто для примера, как содержащая малое число листьев (деревьев).

 

Поробовал на Питоне обучить нейросеть. Пакет - scikit-learn, сама НС - sklearn.neural_network.MLPRegressor. Нейронов за 100, скрытых слоев -7, входов -19, выход - 1. Задача - прогнозирование случайного процесса.

Задача искусственная, сделана на генераторе шума, и так, чтобы теоретически этот шум можно было прогнозировать. Поробовал на несколько отсчетов вперед.

Результат сравнения прогноза с реалом на 5 тыс случайно выбранных точек:

По Х - прогноз, по У - реальное значение. Лежат все очень близко к 45 град. прямой. Т.е., предсказание практически идеально (на искусственной выборке).

Обучение оч. быстрое - 24 эпохи. По времени, примерно - 10 с.

Надо сказать, оч. удивлен. Я оч. старался данные запрятать. Удивительно, что нашла. Вообще, близко к мистике.)

Выводы: НС sklearn.neural_network.MLPRegressor вполне пригодна к эксплуатации. Классификатор пока не пробовал.

С рынком уже пробовал что-то делать, результатов пока ноль. Не ищет, говорит - нет там ничего, хотя задача того-же класса, что и искусственно сформированная. 

 
Yuriy Asaulenko:

Поробовал на Питоне обучить нейросеть. Пакет - scikit-learn, сама НС - sklearn.neural_network.MLPRegressor. Нейронов за 100, скрытых слоев -7, входов -19, выход - 1. Задача - прогнозирование случайного процесса.

Задача искусственная, сделана на генераторе шума, и так, чтобы теоретически этот шум можно было прогнозировать. Поробовал на несколько отсчетов вперед.

Результат сравнения прогноза с реалом на 5 тыс случайно выбранных точек:

По Х - прогноз, по У - реальное значение. Лежат все очень близко к 45 град. прямой. Т.е., предсказание практически идеально (на искусственной выборке).

Обучение оч. быстрое - 24 эпохи. По времени, примерно - 10 с.

Надо сказать, оч. удивлен. Я оч. старался данные запрятать. Удивительно, что нашла. Вообще, близко к мистике.)

Выводы: НС sklearn.neural_network.MLPRegressor вполне пригодна к эксплуатации. Классификатор пока не пробовал.

С рынком уже пробовал что-то делать, результатов пока ноль. Не ищет, говорит - нет там ничего, хотя задача того-же класса, что и искусственно сформированная. 

Это задача НЕ того же класса.

Рынок это НЕ генератор шума.
 
Олег avtomat:

Это задача НЕ того же класса.

Рынок это НЕ генератор шума.

Вопрос оч спорный.)) Давайте вашу модель, и если ее возможно загнать в НС, заодно  и проверим пашет ли этот трактор.)

 
Yuriy Asaulenko:

 Задача - прогнозирование случайного процесса.

Задача искусственная, сделана на генераторе шума, и так, чтобы теоретически этот шум можно было прогнозировать. Поробовал на несколько отсчетов вперед.

Результат сравнения прогноза с реалом на 5 тыс случайно выбранных точек:


Т.е., предсказание практически идеально (на искусственной выборке).

Выходит данные не случайны, иначе как объяснить.

 
Yuriy Asaulenko:

Вопрос оч спорный.)) Давайте вашу модель, и если ее возможно загнать в НС, заодно  и проверим пашет ли этот трактор.)

Вопрос вовсе не спорный. И именно об этом говорит твоя НС, вполне рабочая на генераторе шума, но нерабочая на рыночных ВР с её результатом "Не ищет, говорит - нет там ничего".

 

И кстати,


этот результат работы НС на генераторе шума ещё раз подтверждает возможность "зарабатывания на СБ", возможность "зарабатывания на монетке". Хотя у многих это не укладывается в голове.

Ну это так, к слову.

 
Yuriy Asaulenko:

...Давайте вашу модель ...

Юрий, попробуйте в СБ какой-нибудь артефакт добавить.

Например, вот так: https://smart-lab.ru/blog/186186.php

Осознанность при построении систем
Осознанность при построении систем
  • smart-lab.ru
Рассмотрим вот такой инструмент: Видно, что за несколько месяцев акция очень существенно выросла. Значит, это волатильная и достаточно трендовая вещь. Поэтому логично ее торговать при помощи трендовой системы. Нетрудно построить простейшую трендовуху. По классике будем входить на пересечении скользящих средних, а выходить по...