Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3069

 
Aleksey Vyazmikin #:

Можно просто отдельно мне дать бинарные модели. Я так понимаю, в итоге их две штуки? Такой подход позволит работать с любыми данными.

Торговаться я не буду. Просили обучить - давайте признаки, обучу-проверю. Если годнота получится - дам исходники.

Если есть по ощущениям нормальные признаки, то много их быть не может. Датасеты с 6к признаков мне не надо, нет на это времени

Иначе буду заниматься другими делами.

 

Вижу, что страсти накалились немного на последних страницах. Прошу всех писать по существу, не пытаться поддеть оппонента.

Я понимаю, что каждый считает себя правым, но старайтесь уважать мнение других тоже.

Предлагаю оставить споры и деление по пакетам (Python/R).  Никто никому ничего не докажет все равно.

 
Maxim Dmitrievsky #:

Торговаться я не буду. Просили обучить - давайте признаки, обучу-проверю. Если годнота получится - дам исходники.

Если есть по ощущениям нормальные признаки, то много их быть не может. Датасеты с 6к признаков мне не надо, нет на это времени

Иначе буду заниматься другими делами.

У меня нет признаков в одну строку - больше времени потратите на воспроизведение их в питоне. Логичней же проверить вообще эффективность подхода на моих данных, а потом уже решать - внедрять код расчета предикторов или нет.

Если бы у меня были сильно "хорошие" предикторы, относительно других, то тем более не спешил бы их давать в открытый доступ :) Можно сделать так - взять мне модель с приемлемым результатом и от туда вытащить 20 предикторов по важности (по мнению одного из способов её опреденлия) в модели.

К тому же, меня так же интересует эффективность предложенного метода на бинарных предикторах - которые являются квантовыми отрезками от предикторов, и эту технологию не так быстро воспроизвести, поэтому массив был бы предпочтительней - но тут интересен результат с большим объемом предикторов.

Если что будет интересное, то уже тогда можно тратить время и силы на вникание в логику расчета предикторов и их внедрение.

 
Aleksey Vyazmikin #:

У меня нет признаков в одну строку - больше времени потратите на воспроизведение их в питоне. Логичней же проверить вообще эффективность подхода на моих данных, а потом уже решать - внедрять код расчета предикторов или нет.

Если бы у меня были сильно "хорошие" предикторы, относительно других, то тем более не спешил бы их давать в открытый доступ :) Можно сделать так - взять мне модель с приемлемым результатом и от туда вытащить 20 предикторов по важности (по мнению одного из способов её опреденлия) в модели.

К тому же, меня так же интересует эффективность предложенного метода на бинарных предикторах - которые являются квантовыми отрезками от предикторов, и эту технологию не так быстро воспроизвести, поэтому массив был бы предпочтительней - но тут интересен результат с большим объемом предикторов.

Если что будет интересное, то уже тогда можно тратить время и силы на вникание в логику расчета предикторов и их внедрение.

Очень душно. Дайте 10-20 примеров расчетов признаков своих. Можно один с разными периодами. На входе формулы расчета признаков.

Большой объем бинарных признаков считать не буду. 


несколько топовых результатов из тех 3к моделей:

по ощущениям, находятся одни и те же "закономерности" даже при разном семплировании меток. Все графики похожи. Ну на других фичах будут другие картинки.



 
Aleksey Vyazmikin #:

К тому же, меня так же интересует эффективность предложенного метода на бинарных предикторах - которые являются квантовыми отрезками от предикторов,

Это разделяете фичу на 16 квантов (например) и потом делите на 16 фич с 0 и 1?
Где 1 - если значения первичной фичи в требуемом кванте, а 0 если в любом другом?

 
Forester #:

Это разделяете фичу на 16 квантов (например) и потом делите на 16 фич с 0 и 1?
Где 1 - если значения первичной фичи в требуемом кванте, а 0 если в любом другом?

Идея в том, что отбирается из 16 пара отрезков, у которых есть потенциал. Про кодирование - да, так.

 

Maxim Dmitrievsky #:

ООС СЛЕВА ОТ ПУНКТИРНОЙ ЛИНИИ

Сам OOS (исходные данные) как формировался?
 
Maxim Dmitrievsky #:

Очень душно. Дайте 10-20 примеров расчетов признаков своих. Можно один с разными периодами. На входе формулы расчета признаков.

Большой объем бинарных признаков считать не буду. 


несколько топовых результатов из тех 3к моделей:

по ощущениям, находятся одни и те же "закономерности" даже при разном семплировании меток. Все графики похожи. Ну на других фичах будут другие картинки.



Попробуйте индикаторы - есть библиотека ta для питона.

GitHub - bukosabino/ta: Technical Analysis Library using Pandas and Numpy
GitHub - bukosabino/ta: Technical Analysis Library using Pandas and Numpy
  • bukosabino
  • github.com
It is a Technical Analysis library useful to do feature engineering from financial time series datasets (Open, Close, High, Low, Volume). It is built on Pandas and Numpy. The library has implemented 42 indicators: Volume Money Flow Index (MFI) Accumulation/Distribution Index (ADI) On-Balance Volume (OBV) Chaikin Money Flow (CMF) Force Index...
 
fxsaber #:
Сам OOS (исходные данные) как формировался?

классическим образом, набор признаков по ценам закрытия

 
Aleksey Vyazmikin #:

Попробуйте индикаторы - есть библиотека ta для питона.

которые из них ваши? тратите время просто )