Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2562
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
Потихоньку вникаю в вейвлет разложение.
Встретилась такая схема, по различию обычной декомпозиции от пакетной.
Цветом уже сам выделил, чтоб наглядней было.
Пишут, что пакетная декомпозиция более точнее даёт результат, чем обычная.
Возможно и тебе, интересно будет об этом знать.
Потихоньку вникаю в вейвлет разложение.
А чем не устраивает МГК ? или SSA ?
А чем не устраивает МГК ? или SSA ?
Пока интересно пощупать вейвлеты.
SSA это гусеница?
Вроде были давно ещё индикаторы на её основе, не впечатлило как то.
Раз те кто в ней разбирается не достигли требуемого результата.
МГК не знаю что это.
Пока интересно пощупать вейвлеты.
SSA это гусеница?
Вроде были давно ещё индикаторы на её основе, не впечатлило как то.
Раз те кто в ней разбирается не достигли требуемого результата.
МГК не знаю что это.
Да, гусеница
МГК - это PCA
Мне кажеться что разницы никакой как декомпозировать, главное то что после с этим делать..
Потихоньку вникаю в вейвлет разложение.
Встретилась такая схема, по различию обычной декомпозиции от пакетной.
Цветом уже сам выделил, чтоб наглядней было.
Пишут, что пакетная декомпозиция более точнее даёт результат, чем обычная.
Возможно и тебе, интересно будет об этом знать.
Несколко лет назад кучу книг посмотрел по вейвлетам, сейчас больше интересует как их быстро считать. Эти схемы на самом деле вводят в заблуждение. На схемах изображено разбиение на НЧ и ВЧ составляющие. Это то что будет после вейвлет разложения. Но из схемы создается впечатление, что вейлеты это НЧ фильтры, а на самом деле вейвлеты полосовые фильтры с некоторыми свойствами, которые нравятся математикам.
К описаному выше не относится лифтинг схема. Это довольно интересная вещь, но глубоко не вникал.
Несколко лет назад кучу книг посмотрел по вейвлетам, сейчас больше интересует как их быстро считать. Эти схемы на самом деле вводят в заблуждение. На схемах изображено разбиение на НЧ и ВЧ составляющие. Это то что будет после вейвлет разложения. Но из схемы создается впечатление, что вейлеты это НЧ фильтры, а на самом деле вейвлеты полосовые фильтры с некоторыми свойствами, которые нравятся математикам.
К описаному выше не относится лифтинг схема. Это довольно интересная вещь, но глубоко не вникал.
Полосовым он наверно становиться уже после извлечения коэффициентов, определённого узла,
заданием штрафного порога и дальнейшим шумоподавлением, сжатием.
Тоже пока изучаю. Дело в том что вейвлеты применимы как одномерному сигналу, так и к матричным данным.
Возможно лифтинг, как раз применим к матричным преобразованиям. Пока хочется понять варианты применения, различных подходов.
Речь идет не о поиске случайно успешной модели, а о повышении вероятности сделать эту модель успешной.
тогда нужно больше конкретики
тогда нужно больше конкретики
Думаю написать статью, где детальней расскажу, что делаю.
Тут хотел обсудить аналогичные подходы, но оказалось, что интереса нет.
Если кратко, то вот что я делаю по этапам:
1. Средствами CatBoost сохраняю разные типы квантовых таблиц с разным числом "квантов" (принудительных предварительных сплитов).
2. Анализирую скриптом каждый квант на предмет устойчивости и прогнозтической способности показателя.
2.1. Прохождение порога по полноте и точности от всей выборки.
2.2. Оценка устойчивости отклонения показателей целевой предиктора от целевой на участке выборки - снимаю 7 точек и отсеиваю по СКО.
3. Отбираю лучшие кванты из всех таблиц для каждого предиктора с учетом их не пересечения в пространстве диапазонов по которым происходило квантование.
4. Создаю новую выборку (два типа объединенная по всем квантам и нет), где предиктор из квантов имеет сигнал 0 или 1.
5. Исключаю предикторы, имеющие схожий сигнал на выборке.
6. Обучаю модель.
Если после 5 пункта ещё сделать проверку на устойчивость показателей по выборке test и exam, и отобрать только те предикторы, что показали удовлетворительный результат, то результаты обучения значительно улучшаются. Это некий такой чит, но стоит его использовать или нет - вопрос экспериментов. Я исхожу из того, что чем дольше показатели устойчивы, тем больше шансов, что они будут и далее устойчивы.
Если по конкретному этапу есть вопросы - спрашивайте, попробую дать больше информации.
P.S. Ещё можно просто сохранить отобранную квантовую таблицу, исключить неэффективные предикторы, и обучиться на обычной выборки - так же улучшит обучение.Думаю написать статью, где детальней расскажу, что делаю.
Тут хотел обсудить аналогичные подходы, но оказалось, что интереса нет.
Если кратко, то вот что я делаю по этапам:
1. Средствами CatBoost сохраняю разные типы квантовых таблиц с разным числом "квантов" (принудительных предварительных сплитов).
2. Анализирую скриптом каждый квант на предмет устойчивости и прогнозтической способности показателя.
2.1. Прохождение порога по полноте и точности от всей выборки.
2.2. Оценка устойчивости отклонения показателей целевой предиктора от целевой на участке выборки - снимаю 7 точек и отсеиваю по СКО.
3. Отбираю лучшие кванты из всех таблиц для каждого предиктора с учетом их не пересечения в пространстве диапазонов по которым происходило квантование.
4. Создаю новую выборку (два типа объединенная по всем квантам и нет), где предиктор из квантов имеет сигнал 0 или 1.
5. Исключаю предикторы, имеющие схожий сигнал на выборке.
6. Обучаю модель.
Если после 5 пункта ещё сделать проверку на устойчивость показателей по выборке test и exam, и отобрать только те предикторы, что показали удовлетворительный результат, то результаты обучения значительно улучшаются. Это некий такой чит, но стоит его использовать или нет - вопрос экспериментов. Я исхожу из того, что чем дольше показатели устойчивы, тем больше шансов, что они будут и далее устойчивы.
Если по конкретному этапу есть вопросы - спрашивайте, попробую дать больше информации.
P.S. Ещё можно просто сохранить отобранную квантовую таблицу, исключить неэффективные предикторы, и обучиться на обычной выборки - так же улучшит обучение.а что такое квантовые таблицы? таблицы разбиения деревьев? никогда не делал такое
лучше статью с примерами