Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2633
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
Может будет полезно... у меня many-to-many без рекуррентности. И без сверточных слоев. И выбрал эту модель после разбора механизма нейронки. Мы ж тут ищем общий знаменатель?... Аргументируйте.
Спасибо, посмотрю.
Всё же, у нас порядок имеет значение. Всегда, к примеру, можно получить СБ перемешав произвольным образом приращения.
Ещё вспомнилось, что вроде бы вы здесь когда-то писали про sequential pattern mining и возникающую там задачу выравнивания последовательностей. Это тоже похоже на один из методов решения проблемы. Хотя, принадлежность последовательностей к одному классу не обязательно означает их схожесть.
data
запускаем функцию и ищем последовательности которые приводят к нашым меткам
Функцыя "грязная" писал для себя, но работает , пути внутри функции измени под себя и установи нужные пакеты
Но знай алгоритны ищащие такие "разреженые последовательности" такого типа очень прожорливы, там идет перебор просто диких размеров, несмотря на то что сам алгоритм делает ефективный перебор и написан на с++data
запускаем функцию и ищем последовательности которые приводят к нашым меткам
Функцыя "грязная" писал для себя, но работает , пути внутри функции измени под себя и установи нужные пакеты
Но знай алгоритны ищащие такие "разреженые последовательности" такого типа очень прожорливы, там идет перебор просто диких размеров, несмотря на то что сам алгоритм делает ефективный перебор и написан на с++Спасибо, подумаю как прикрутить к своим задачам.
Спасибо, подумаю как прикрутить к своим задачам.
Один подход или оба?
https://habr.com/ru/post/661457/
Один подход или оба?
https://habr.com/ru/post/661457/
На мой взгляд, гармоничное сочетание обоих подходов с учётом особенностей наших задач. Признаки должны "цеплять" "физику" рынка, а модели должны строиться для повышения прибыли (а не вероятности быть правым, например)
Ещё немного квазифилософии. Компромисс между смещением и дисперсией всегда будет ограничивать сложность модели. Поэтому никогда нельзя быть уверенным, что модель будет хорошо работать на всём множестве предикторов. Соответственно, появляется задача определить рабочее подмножество этой модели. Если правильно понял, это именно то о чём писал недавно Максим (про две модели). Это вполне соответствует старой идее, что "не нужно пытаться быть всё время в рынке".
Было бы неплохо попытаться совместить всё это в одной модели. Например, такая идея (немного похожая была у Aleksey Vyazmikin) -- разбиваем каждый предиктор на отрезки, что даёт разбиение всего множества предикторов на многомерные кубы. Потом из всех этих кубов выбираем набор подходящих. При большой размерности эта задача будет комбинаторно неразрешимой, но можно делать по аналогии с рандом форестом -- случайно выбирать маломерные наборы предикторов. Исходное разбиение на отрезки для каждого предиктора можно делать разбиением эквити (когда сделки отсортированы не по времени, а по данному предиктору) на монотонные куски.
Дополнить всё это кроссвалидацией (форвардом) и всем прочим что полагается) Возможно, даже получится не вполне бред) Ну, или что-то подобное кто-нибудь уже делал.
https://habr.com/ru/company/ods/blog/544208/
Полезная статья.
https://habr.com/ru/company/ods/blog/544208/
Шляпа. Солянка из разных стат тестов
Как тема к размышлению/пониманию, что
Correlation != Causation
1-4.
А тесты свои делать в любом случае. А так статья практически рекламная)