Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3441

 
Maxim Dmitrievsky #:

А если удалять из выборки приращения, которые не покрывают заданный спред.

Или какие-нибудь другие методы фильтрации.

У меня это бессмысленно. Я как то скидывал тебе свою идею

 

Удивительно, какие похожие модели получилось обучить, при весьма существенной рандомизации внутри алгоритма

козул стал еще интереснее

Learn 0 model
R2: 0.9609434010382693
Learn 1 model
R2: 0.9619192065934826
Learn 2 model
R2: 0.9533013034947937
Learn 3 model
R2: 0.96256861996626
Learn 4 model
R2: 0.9087029748259404
 
Rorschach #:

У меня это бессмысленно. Я как то скидывал тебе свою идею

Не запомнил, наверное

 
Maxim Dmitrievsky #:

Удивительно, какие похожие модели получилось обучить, при весьма существенной рандомизации внутри алгоритма

козул стал еще интереснее

По стандарту обучают на трейн выборке, тюнят на валидационной  выборке  и тестируют на тестовой  выборке одну модель.


Правильно ли я понимаю то что ты делаешь в своем козуле это :

тренируешь несколько моделей на разных частях тест выборки и они должны все пройти тест выборку.

Все, или есть еще детали?

 
mytarmailS #:

По стандарту обучают на трейн выборке, тюнят на валидационной  выборке  и тестируют на тестовой  выборке одну модель.


Правильно ли я понимаю то что ты делаешь в своем козуле это :

тренируешь несколько моделей на разных частях тест выборки и они должны все пройти тест выборку.

Все, или есть еще детали?

Ты CV описал. Только на тест выборке не тренируют по определению. На ней тестируют 🫥
 
Maxim Dmitrievsky #:
Ты CV описал. Только на тест выборке не тренируют по определению. На ней тестируют 🫥
Ой. да имел в виду трейн..  Сонный был. 

Так в чем отличие с CV? 
 
mytarmailS #:
Ой. да имел в виду трейн..  Сонный был. 

Так в чем отличие с CV? 
Ну это используется для получения несмещенных оценок. Типа добавил новую переменную, надо посмотреть ее влияние. С одной моделью будет bias в оценке, через cv не будет. 

По аналогии, я смотрю, как обучение модели влияет на ТС в среднем. То есть в каких местах модель в среднем ошибается, а в каких работает. Чтобы разделить где ей торговать можно, а где нет. Можно по-разному использовать.


А дальше я уже пытаюсь хорошо разделить эти классы на торговать и не торговать, с низкой ошибкой. И там пока еще не все идеально. Мозгов не хватает.

 
mytarmailS #:

Помню, у нас как-то был полезный срач по поводу HMM и K-means, что они типа одинаково кластеризуют или не одинаково..

не помнишь что там было? Для определения режимов рынка.

 
Maxim Dmitrievsky #:

Помню, у нас как-то был полезный срач по поводу HMM и K-means, что они типа одинаково кластеризуют или не одинаково..

не помнишь что там было? Для определения режимов рынка.

Скорей всего просто цены с ск. окне но утверждать не буду, не помню
 
mytarmailS #:
Скорей всего просто цены с ск. окне но утверждать не буду, не помню

Нынче принято ко всему добавлять слово "causal" - и читается красиво и с намеком на волшебство :)

https://github.com/LilJing/causal_hmm?tab=readme-ov-file

GitHub - LilJing/causal_hmm: Python implementation for paper: "Causal Hidden Markov Model for Time Series Disease Forecasting"(CVPR 2021)
GitHub - LilJing/causal_hmm: Python implementation for paper: "Causal Hidden Markov Model for Time Series Disease Forecasting"(CVPR 2021)
  • LilJing
  • github.com
Due to data privacy, our data set is not public here. If you found this work useful, please consider citing: