Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2043

 

Интересное видео, Максим Вы именно этим подходом занимаетесь?

Нейрохакатон: классификация сигналов ЭЭГ сверточными нейросетями — Андрей Киселев — Смотреть в Эфире
Нейрохакатон: классификация сигналов ЭЭГ сверточными нейросетями — Андрей Киселев — Смотреть в Эфире
  • yandex.ru
Андрей Киселев рассказывает про задачу классификации действий людей по сигналам электроэнцефалограмм, которая решалась в рамках хакатона по нейронаук…
 
А тут примерно то, что делаю я. Интересно, что два автора от видео выше и ниже говорят о противоположном - один говорит, что сети не работают, другой, что деревья :)
Kaggle Melbourne: прогнозирование эпилептических приступов — Олег Паничев — Смотреть в Эфире
Kaggle Melbourne: прогнозирование эпилептических приступов — Олег Паничев — Смотреть в Эфире
  • yandex.ru
Олег Паничев рассказывает про задачу прогнозирование эпилептических приступов на основе анализа электроэнцефалограмм (Kaggle Melbourne University Sei…
 
Aleksey Vyazmikin:

Интересное видео, Максим Вы именно этим подходом занимаетесь?

типа того, да, но я еще не занимался ) т.к. мало верю в успех сего мероприятия

сети лучше работают на однородных данных, типа изображений или сигналов. Деревья лучше на разнородных типа кучи разных ненормализованных признаков

яндекс эфир давно существует? раньше не знал что есть аналог ютуба

З.Ы вот есть примеры самого крутого что есть для временных рядов на данный момент - трансформеры

https://timeseriestransformer.readthedocs.io/en/latest/notebooks/trainings/training_2020_04_27__093505.html

но все это выглядит как прогноз с запаздыванием, так же как и у LSTM. Типа текущее значение ряда является наилучшим прогнозом следующего, как при СБ
 

Есть просьба !!!

Надо написать простенький скрипт для мт4 !

Суть такова 

1) Я нажимаю мышкой  на конкретную свечу 

2) скрипт пишет в блокнот дату и время и цену закрытия этой свечи 

Все!!

 
Maxim Dmitrievsky:

типа того, да, но я еще не занимался ) т.к. мало верю в успех сего мероприятия

сети лучше работают на однородных данных, типа изображений или сигналов. Деревья лучше на разнородных типа кучи разных ненормализованных признаков

яндекс эфир давно существует? раньше не знал что есть аналог ютуба

З.Ы вот есть примеры самого крутого что есть для временных рядов на данный момент - трансформеры

https://timeseriestransformer.readthedocs.io/en/latest/notebooks/trainings/training_2020_04_27__093505.html

Еще про транформеры Переводится штатно более менее понятно.

Transformers from scratch
  • peterbloem.nl
I will assume a basic understanding of neural networks and backpropagation. If you’d like to brush up, this lecture will give you the basics of neural networks and this one will explain how these principles are applied in modern deep learning systems. Self-attention The fundamental operation of any transformer architecture is the self-attention...
 
Valeriy Yastremskiy:

Еще про транформеры Переводится штатно более менее понятно.

у меня это в избранном ) вроде, кидал раньше

 

GRU на рандомных метках на небольшом датаесете

Epoch  20 train err:  0.3469601273536682 tst err:  0.40891700983047485

В чем могут быть плюсы и минусы такого случайного сэмплинга меток?

def add_labels(dataset, min, max, markup):          #min, max - минимальная\максимальная продолжительность сделки, в барах
    labels = []                                     #сюда сохраняем метки
    for i in range(dataset.shape[0]-max):
        rand = random.randint(min,max)              #случайно выбираем продолжительность следующей сделки
        if i == 0:                                  #если это первый элемент массива, заполняем значениями 0.5, rand-1 штук\
            for a in range(rand-1):                 #поскольку нет более ранних цен для определения метки       
                labels.append(0.5)
        if dataset['close'][i] > (dataset['close'][i + rand] + markup):    #если текущая цена больше чем цена + rand баров вперед\
                labels.append(1.0)                                         #то метка 1.0 (продажа)
        elif dataset['close'][i] < (dataset['close'][i + rand] - markup):  #если меньше, то покупка
                labels.append(0.0)              
        else:
                labels.append(0.5)
    dataset = dataset.iloc[:len(labels)].copy()
    dataset['labels'] = labels
    return dataset

сейчас cuda pack поставлю для видеокарты и посчитаю на видюхе на больших данных

фичи - просто последовательности приращений, 15 штук на входе. можно увличивать

 
Maxim Dmitrievsky:

типа того, да, но я еще не занимался ) т.к. мало верю в успех сего мероприятия

Если я правильно понял из видео, то существует функция\библиотека, которая ищет признаки в сверточной сети, т.е. готовые шаблоны по которым должны быть найдены паттерны\предикторы - вот интересно, что там ожидается найти, как была сделана эта маска - какая логика, не знаете случайно?


Maxim Dmitrievsky:


яндекс эфир давно существует? раньше не знал что есть аналог ютуба

Давно, года два, как мне кажется точно есть.

Maxim Dmitrievsky:

З.Ы вот есть примеры самого крутого что есть для временных рядов на данный момент - трансформеры

https://timeseriestransformer.readthedocs.io/en/latest/notebooks/trainings/training_2020_04_27__093505.html

но все это выглядит как прогноз с запаздыванием, так же как и у LSTM. Типа текущее значение ряда является наилучшим прогнозом следующего, как при СБ

Не уверен, что наши входные данные годятся для этой сети - как то там на картинках всё гладенько.

 
Maxim Dmitrievsky:

Ты все веришь )))

 
Aleksey Vyazmikin:

Если я правильно понял из видео, то существует функция\библиотека, которая ищет признаки в сверточной сети, т.е. готовые шаблоны по которым должны быть найдены паттерны\предикторы - вот интересно, что там ожидается найти, как была сделана эта маска - какая логика, не знаете случайно?

она сама подбирает маску из весов при обучении для заданной длины шаблона

просто проходит окном по вектору признаков, окно меньше чем кол-во признаков. Происходит свертка