Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 127
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Как вы это определили? Вы отследили работу ваших предикторов на тогда неизвестном будущем?
Почему не известном будущем? На истории все известно. Учу на 1-10 куске, на них же по кроссвалидации проверяю. А затем получаю статистику на 11, 12 и т.д. куске и сравниваю с тем, что получил на 1-10 кусках. Т.е. полная аналогия реальной торговли. Я это описывал много на этой ветке.
Ага, ну, так я и понял.
А сколько разных вариаций модели вы таким способом просматриваете? Бывает ли так, что на 11, 12. и т.д. кусках модель работает хуже, чем на обучающем куске и вы начинаете заново?
Ага, ну, так я и понял.
А сколько разных вариаций модели вы таким способом просматриваете? Бывает ли так, что на 11, 12. и т.д. кусках модель работает хуже, чем на обучающем куске и вы начинаете заново?
Вариация примерно 2-3% при средней 27-28%. Именно вариации как отклонение от средней.
То, о чем Вы пишите - это должно уменьшить ошибку обучения. Я этим не занимался. Для моих предикторов лучше всех GBM, потом ada. Я использую rf. Далее идут SVM и хуже всех nnet. Как видите пользую не самую лучшую модель.
Вариация примерно 2-3% при средней 27-28%. Именно вариации как отклонение от средней.
То, о чем Вы пишите - это должно уменьшить ошибку обучения. Я этим не занимался. Для моих предикторов лучше всех GBM, потом ada. Я использую rf. Далее идут SVM и хуже всех nnet. Как видите пользую не самую лучшую модель.
Ну, ок. СанСаныч.
Если у вас все модели примерно одинаково хорошо валидируются, тут и не надо плясок с бубном.
Я выложил информацию для осмысления. Я этим пользуюсь, тестирую сам себя и уберегаю от ошибок.
Поможет это вам или уже нет - не знаю.
Думаю, информация не самая бесполезная.
Ну, ок. СанСаныч.
Если у вас все модели примерно одинаково хорошо валидируются, тут и не надо плясок с бубном.
Я выложил информацию для осмысления. Я этим пользуюсь, тестирую сам себя и уберегаю от ошибок.
Поможет это вам или уже нет - не знаю.
Думаю, информация не самая бесполезная.
Я с большим интересом отслеживал все Ваши посты.
Удачи.
Я с большим интересом отслеживал все Ваши посты.
Удачи.
Спасибо.
Что такое "сложные процессы" я не понимаю. У меня реальный советник прицеплен в терминале к котиру... Что дают, то и жуем.
Я уже писал, что я использую предсказание в ТС на старшем ТФ, у которого три окна. Старший ТФ задает направление. Но кроме этого советник имеет достаточно большой набор средств, целью которого является управление риском. Поэтому как влияет процент ошибки предсказания принадлежности очередной свечи к направлению ЗЗ на общий результат я не могу сказать, да это мне и не интересно.
Повторяю свой предыдущий пост. Инструменты из R, в частности машинное обучение, я пытаюсь использовать для решения конкретных проблем конкретного советника. Не вообще, а конкретного. Вполне вероятно, что в других ТС мои подходы окажутся не работоспособны.
На счет будущего..
Работает с декабря, полет нормальный. В отличии от индикатора, который был на этом месте в советнике, имеется инструмент, про переобученность которого имеются хот какие-то соображения. Ликвидировано запаздывание. Мало? Колоссальный шаг вперед. Это истина в последней инстанции? Нет, конечно.
Да.
Один цикл обучения с кроссвалидацией M1 на 10 фолдах, вы правильно понимаете. Для каждой комбинации параметров обучения: на 9-ти фолдах учим, на отложенном проверяем. Так 10 раз. Получаем среднее значение метрики качества на 10 отложенных фолдах. Назовем эту величину m1.
Я делаю похоже, но двигаю не тестовое окно, а тренировочное. В середине у меня всегда будет подвижное окно для тренировки, а данные для теста обрамляют его с обоих сторон. Я считаю что если уж зависимости непостоянны, и некие "преобладающие периоды" постоянно плавают туда-сюда (со слов mytarmailS, я сам в частоты и фурье не умею) - то нет смысла в том чтобы обучиться на крайних (по времени) ситуациях, а тестировать на чём-то посерединке что могло быть апроксимировано моделью из крайних вариантов. Для тренировки беру уже даже гораздо меньше 50% данных, так тоже ок (по крайней мере не хуже)
У меня используется что-то вроде outer loop с этой картинки, но тренирую на синеньком, а тестирую на сереньком. Добиваюсь чтобы какие-бы 30% последовательных данных я не взял для обучения, модель смогла бы прибыльно торговать на остальных данных. Есть теория, что если я смогу обучить модель хорошо торгующую на всём периоде, используя для обучения любых 10% последовательных данных - то и на новых данных всё тоже будет хорошо.
Метода следующая (всё нижесказанное одинаково относится как к ML так и классическим ТС).............
Перечитал по три раза, хоть убейте не понял((
1) По ходу это не есть МО в чистом виде, это как бы улучшение какой то существующей ТС, у которой есть сигналы на вход, и только на этих входах мы и входим и уже эти входы мы анализируем МО верно?
2) Когда есть прибыль мы закрываем сделку. Когда сделка в убытке мы держим позицию, с какой стати??
3) когда надо покупать, когда надо продавать?
Я умею потупить, такой уже я) но реально ничего не понимаю с того что вы написали, может картинкой какой то покажете или блох схемой какой..
Наткнулся на бложик и чуть не всплакнул, человек делал практически ту же идею что и я когда то придумал и решил реализовать, и именно под эту идею я и начал учить программирование где то год назад
https://www.r-bloggers.com/time-series-matching-with-dynamic-time-warping/
А я то думал что моя идея уникальна))) молодость, наивность... правда DTW я конечно не использовал, так как вообще тогда еще ничего не понимал