Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2168

 
Maxim Dmitrievsky:

Оно показало фильтр и 10 сделок, по такому типу. От хвостов к среднему (линии фильтра) или что-нибудь в этом роде

как обычно, когда начнется тренд, у него будет минус во весь счет

и оно выкладывает эти огрызки каждый раз в каждой теме, а вы все вместе это весело обсуждаете по 10 страниц уже не 1-й год ))

ок

теперь продемонстрируй то же самое на машке и сравни

забияка ;)

 
Aleksey Nikolayev:

Вроде везде пишут, что Фурье - хорош именно для периодических сигналов. Ну или близких к тому - с узким спектром.

а там вариантов то и нет - базисные функции это синусы и преобразование лишь определяет для каждого синуса его смещение  ( фазу ) и период

а пересечение всех этих синусов (ось Х) и дает нам точки где мы снимаем значения сигнала (ось Y)


UPD: вот еще хорошее объяснение, https://habr.com/ru/post/196374/

самое ценное в статье - рисунки нарисованные от руки ;) 

 
Renat Akhtyamov:

ок

теперь продемонстрируй то же самое на машке и сравни

забияка ;)

есть куча других машек, которые выглядят подобным образом. Это ничего не меняет.

например, HMA или что-нибудь в этом роде

если взялся за МАшки, то нормируй хотя бы на волатильность и проч

и не надо писать, что это грааль. Там его и близко нет.

 
Maxim Dmitrievsky:

есть куча других машек, которые выглядят подобным образом. Это ничего не меняет.

например, HMA или что-нибудь в этом роде

если взялся за МАшки, то нормируй хотя бы на волатильность и проч

и не надо писать, что это грааль. Там его и близко нет.

на скрине Макс покажи, не на словах

звиздеть не мешки ворочать

 

Кому необходимо держите маленький скрипт который вычисляет относительную площадь под  пересечением кривых распределения величин фичи для двух кластеров. 

cl_1 = samples.drop(samples[samples["targets"] == 0].index).reset_index(drop=True)[samples.columns[1]]
cl_2 = samples.drop(samples[samples["targets"] == 1].index).reset_index(drop=True)[samples.columns[1]]

min_x = min(cl_1.min(),cl_2.min())
max_x = max(cl_1.max(),cl_2.max())
x = np.arange(min_x,max_x,(max_x-min_x)/100)
hist_1 = np.histogram(cl_1,x)
hist_2 = np.histogram(cl_2,x)
plt.hist(cl_1,x, histtype= 'step',label='cl_1')
plt.hist(cl_2,x, histtype= 'step',label='cl_2')

area1 = np.sum(hist_1[0])/sum(hist_1[0])
area2 = np.sum(hist_2[0])/sum(hist_2[0])
ymax = np.maximum(hist_1[0],hist_2[0])
ymin = np.minimum(hist_1[0],hist_2[0])

area_overlap = sum(ymin/sum(ymax))
print(area1, area2, area_overlap)

мне кажется это норм метрика для выбора метода прореживания, анализа целевой, фич и черт знает еще для чего.

area_overlap - на рисунке желтое

 
Renat Akhtyamov:

на скрине Макс покажи, не на словах

звиздеть не мешки ворочать

что ты хочешь увидеть? вот реальная ТС на МО из моей статьи. Обучение - всего 1 мес, дальше генерализация на 2 года. И это реальное и оно работает

 
welimorn:

Кому необходимо держите маленький скрипт который вычисляет относительную площадь под  пересечением кривых распределения величин фичи для двух кластеров. 

мне кажется это норм метрика для выбора метода прореживания, анализа целевой, фич и черт знает еще для чего.

area_overlap - на рисунке желтое

Вы делаете гениальные вещи ) с понедельника начну смотреть, в избранное

 
Все знают что отклонение от средней может быть значительным, но никто не знает когда это произойдет.
 
Maxim Dmitrievsky:

Вы делаете гениальные вещи ) с понедельника начну смотреть, в избранное

Спасибо! Хоть как то разбавить "теоретические" рассуждения...

 
welimorn:

Кому необходимо держите маленький скрипт который вычисляет относительную площадь под  пересечением кривых распределения величин фичи для двух кластеров. 

мне кажется это норм метрика для выбора метода прореживания, анализа целевой, фич и черт знает еще для чего.

area_overlap - на рисунке желтое

тема перешла в серьезное русло )

вот про боле сложный способ (но многообещающий), почитать

https://ml4trading.io/chapter/19

это к вопросу о плотностях и как можно семплить фичи и метки из апостериора с помощью автоэнкодера. Можно и трансормировать пространства признаков, по вкусу

в частности, интересны CVAE (conditinal variational autoencoders)

Machine Learning for Trading
Machine Learning for Trading
  • Stefan Jansen
  • ml4trading.io
Learn to extract signals from financial and alternative data to design and backtest algorithmic trading strategies using machine learning.