Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1035
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
NN это которая ваша секретная сетка? отличия большие
и фичи прямо одинаковые?
Ну да, но суть то, в другом - давайте договариваться о форматах и обмениваться информацией по МО для трейдинга, иначе не будет у нас никакого прогресса, только фолуд, в стиле слепого с немым.
PS: Фичи в обоих советниках считаются по OHLC бар, а их количество и формула расчета, идентичны.
Ну да, но суть то, в другом - давайте договариваться о форматах и обмениваться информацией по МО для трейдинга, иначе не будет у нас никакого прогресса, только фолуд, в стиле слепого с немым.
PS: Фичи в обоих советниках считаются по OHLC бар, а их количество и формула расчета, идентичны.
да вы джонтесь к нам в чатик, там стратегии обсуждаем и там же можно обо всем договариваться. Много разделений по темам, кому что интересно
важные или секретные темы закрыты от посторонних
про спарк давно понятно, не спрашивал. Спрашивал про идею. Этот подход со спарком как раз высосан из пальца из-за неэффективного способа обучения и требуемых мощностей
То же самое можно сделать через оптимизацию в облаке МТ5 без лесов. Насчет того что на выходе у вас получается и есть ли профит не в курсе, но по идее его нет и такой алгоритм постоянно будет падать из-за оверфита
ИМХА
Есть мнение, что построенная модель должна всегда возвращать 0 или 1.
Но что если трактовать возвращаемый результат от модели как от индикатора? Попытка оценить такую модель по MSE и т.д. ничего хорошего не даст. Но когда такую модель применяешь с параметрами покупки > 0.75 и продажи < 0.25 , то в итоге получается неплохой профит.
Сама идея: закинуть несколько данных от разных индикаторов в случайный лес и получить один супер-индикатор.
Пути поиска грааля требуют проверки нестандартных идей.
Есть мнение, что построенная модель должна всегда возвращать 0 или 1.
Но что если трактовать возвращаемый результат от модели как от индикатора? Попытка оценить такую модель по MSE и т.д. ничего хорошего не даст. Но когда такую модель применяешь с параметрами покупки > 0.75 и продажи < 0.25 , то в итоге получается неплохой профит.
Сама идея: закинуть несколько данных от разных индикаторов в случайный лес и получить один супер-индикатор.
Пути поиска грааля требуют проверки нестандартных идей.
лес не выдает вероятности принадлежности к классу, так что эти неравенства - бред
>< 0.5 и все, по другому не будет. И еще вопрос что лучше - бинаризованные признаки и выходы или нет.
можно от 0 до 100 на классы разделить, разницы никакой этож не НСлес не выдает вероятности принадлежности к классу, так что эти неравенства - бред
>< 0.5 и все, по другому не будет. И еще вопрос что лучше - бинаризованные признаки и выходы или нет.
можно от 0 до 100 на классы разделить, разницы никакой этож не НСЕсли вероятности нет, то что тогда делают эти строчки?
а, ну да
результатом работы всех алгоритмов классификации, входящих в пакет ALGLIB, является не класс, к которому относится объект, а вектор условных вероятностей.
но это слабое утешение. Сигналов станет меньше а результативность не факт что увеличится. У меня например не увеличивалась, везде ставлю 0.5 порог теперь
гораздо важнее сопоставимость ошибок на трэйн и oob
а, ну да
результатом работы всех алгоритмов классификации, входящих в пакет ALGLIB, является не класс, к которому относится объект, а вектор условных вероятностей.
но это слабое утешение. Сигналов станет меньше а результативность не факт что увеличится. У меня например не увеличивалась, везде ставлю 0.5 порог теперь
гораздо важнее сопоставимость ошибок на трэйн и oob
Но это уже особенности модифицированных алгоритмов.
AlgLib реализует классический случайный лес без модификации. В Spark то же самое.
Установка порога в 0.5 = адаптации данных под результат.
P.S. Даже параметры генерации случайного леса у нас разные...
Но это уже особенности модифицированных алгоритмов.
AlgLib реализует классический случайный лес без модификации. В Spark то же самое.
Установка порога в 0.5 = адаптации данных под результат.
P.S. Даже параметры генерации случайного леса у нас разные...
у меня вроде тоже алглиб )
вот описание, не знаю насколько он "классический"
http://alglib.sources.ru/dataanalysis/decisionforest.php
AlgLib модификация обучения на разбивку выборки с помощью параметра R.
Сама интерпретация готового случайного леса в AlgLib не отличается от того же Spark.
Тоже самое деление суммы предсказаний деревьев на количество этих деревьев.Сама идея: закинуть несколько данных от разных индикаторов в случайный лес и получить один супер-индикатор.
Пути поиска грааля требуют проверки нестандартных идей.
сомнительная идея, вернее результирующий индикатор будет выдавать сомнительные результаты
есть в теории информации такое понятие как достоверность: "Достоверность — свойство информации не иметь скрытых ошибок.", а если у Вас в качестве входных данных индикаторы (Вы их предикторами называете), тогда эти данные не всегда несут достоверную информацию... и какой результат должен найти мат.аппарат?
ну а если Вы используете индикаторы для обучения, которые имеют положительное мат.ожидание в тестере стратегий, то зачем усложнять весь процесс - тестер стратегий сразу покажет результат....
вот такой замкнутый круг
по сути получается, что Вы пытаетесь взять все приборы, с приборной панели автомобиля, перепутать и потом брать их показания для расчета?... ну пусть это будет угловой скорости автомобиля - Вы же знаете, что такого прибора нет, но вот хотите найти угловую скорость и точка!!!
имхо, или использовать математически обоснованные формулы( из физики, математики, геометрии) и OHLC или все эти манипуляции еще тот самообман