Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3076

Новый комментарий
 
Битва интеллектуалов, раунд 55-й
 
СанСаныч Фоменко #:

Пихать в переводчик надо по одному абзацу. Вполне терпимо переводит, но все равно надо править. 

Неплохая статья, но написана колхозником, слабо знакомым с терминологией. В основе RF, а терминология своя! Просто бесит от таких "ученых".

Получается, что прочли статью по диагонали и ничего не поняли. Здесь вопросики уже не к ученым.

Давайте тогда контрольный вопрос. Какие типы nuisance ф-й есть и чем они отличаются? И как бы вы их по-другому назвали? Будучи совершенно не колхозником, а вообще голубых кровей.
 
Maxim Dmitrievsky #:
Получается, что прочли статью по диагонали и ничего не поняли. Здесь вопросики уже не к ученым.

Давайте тогда контрольный вопрос. Какие типы nuisance ф-й есть и чем они отличаются? И как бы вы их по-другому назвали? Будучи совершенно не колхозником, а вообще голубых кровей.

Хотя из-за Вашей самодовольной склонности склонности развешивать этикетки на людей с Вами иметь дело неприятно, но позже обязательно отвечу ради того, чтобы публично обсудить перевод терминологии на примере очень интересной статьи.

Пока перевод Яндекса для  nuisance  -  

Неприятность, помеха, досада, обуза …

меня совершенно не устраивает. Позже дам свой перевод и обосную. Сейчас занят.

 
СанСаныч Фоменко #:

Хотя из-за Вашей самодовольной склонности склонности развешивать этикетки на людей с Вами иметь дело неприятно, но позже обязательно отвечу ради того, чтобы публично обсудить перевод терминологии на примере очень интересной статьи.

Пока перевод Яндекса для  nuisance  -  

Неприятность, помеха, досада, обуза …

меня совершенно не устраивает. Позже дам свой перевод и обосную. Сейчас занят.

перед очень интересной историей озаботьтесь пожалуйста поиском определения в интернете (раздел статистики)

и еще в статье RF просто упоминается, но он не в основе

не читали статью, но сделали выводы. 

 
Maxim Dmitrievsky #:

перед очень интересной историей озаботьтесь пожалуйста поиском определения в интернете (раздел статистики)

и еще в статье RF просто упоминается, но он не в основе

не читали статью, но сделали выводы. 

4 Simulation

Study We study the finite sample performance of meta-learners for estimation of heterogeneous treatment effects based on Random Forests (Breiman, 2001; see also Biau & Scornet, 2016, for a comprehensive introduction). The focus of the Monte Carlo study lies in an assessment of the influence of sample-splitting and cross-fitting in the causal effect estimation. For this purpose we compare the above discussed metalearners estimated with full-sample, double sample-splitting, and double cross-fitting.


We rely on the Random Forest as the base learner for all meta-learners for several reasons.


не читали статью, но сделали выводы. 

Не вижу смысла что-то с Вами обсуждать!

 
СанСаныч Фоменко #:

4 Моделирование

Исследование Мы изучаем эффективность конечной выборки мета-обучающихся для оценки эффектов разнородного лечения на основе случайных лесов (Breiman, 2001; см. также Biau & Scornet, 2016, подробное введение). Основное внимание в исследовании Монте-Карло уделяется оценке влияния разделения выборки и перекрестной подгонки на оценку причинно-следственных связей. Для этой цели мы сравниваем обсуждавшихся выше мета-обучающихся, оцененных с полной выборкой, двойным разделением выборки и двойным перекрестным подбором.


Мы полагаемся на Random Forest как на базовый метод обучения для всех мета-обучения по нескольким причинам.


не читали статьи, но сделали захват.

Не вижу смысла что-то с вами обсуждалось!

статья не про RF, а про causal inference, соответственно терминология оттуда

вы пока что не в состоянии ничего обсуждать, конечно не видите смысла.
 

Предлагаю объединить усилия для поиска полезной информации в код базе, а именно интересных индикаторов.

Задача затратная по времени, но есть вероятность, что будет найдено нечто недооцененное.

Сделаем базовые предикторы для индикаторов и целевые, произведем анализ распределения вероятности по целевой.

В результате будут отобраны интересные пользовательские индикаторы с их настройками на разные ТФ и торговые инструменты.

С моей стороны будет включено в работу около 200 ядер. Организую совместную работу и напишу необходимый код.

В итоге получим возможность использовать любой из анализируемых индикаторов в своем коде, имея стандарт по их настройке, включающий диапазон и шаг вариации каждой настройки.

Все участники этого совместного дела смогут пользоваться достижениями.

Процесс удобно будет организовать в Discord. Что думаете? Вроде все в выигрыше - тайнами своими не делитись, но получается потенциально полезный результат.

 

учился более мение сносно отображать интерактивный график в R с помощью shiny для своего приложения.. 

немного с костылями но осилил , библиотеку dash еще не пробовал..

Кароч кому интересно можете поюзать , график открываться в браузере , можно сделать полноекранный режым двойным кликом


График полноценный , можно отображать сделки, рисовать , выделять обьекты , получать значения итп.. (но это все уже отдельный код)


library(xts)
library(plotly)
library(shiny)
library(shinyfullscreen)


len <- 50000
times <- seq(as.POSIXct("2016-01-01 00:00:00"), length = len, by = "sec")
prices <- cumsum(rnorm(len)) +1000

p <- to.minutes5(as.xts(prices,order.by = times))

dat <- cbind.data.frame(index(p) , coredata(p))
colnames(dat) <- c("date","open","high","low","close")




my_plot <- function(dat,width,height){
  library(plotly)
  
  pl <- plot_ly(dat, x = ~date, type="candlestick",
                open = ~open, close = ~close,
                high = ~high, low = ~low,
                line = list(width = 1),
                width = width, height = height)
  
  pl <- layout(pl,
               xaxis = list(rangeslider = list(visible = F),
                            title = ""),
               yaxis = list(side = "right"),
               plot_bgcolor='rgb(229,229,229)',
               paper_bgcolor="white",
               margin = list(l = 0, r = 0, t = 0, b = 0))
  pl
}
resize_tag <- function(){
  tags$head(tags$script('
                        var dimension = [0, 0];
                        $(document).on("shiny:connected", function(e) {
                        dimension[0] = window.innerWidth;
                        dimension[1] = window.innerHeight;
                        Shiny.onInputChange("dimension", dimension);
                        });
                        $(window).resize(function(e) {
                        dimension[0] = window.innerWidth;
                        dimension[1] = window.innerHeight;
                        Shiny.onInputChange("dimension", dimension);
                        });
                        '))
}







ui <- fluidPage(
  resize_tag(),
  #plotlyOutput("plot")
  fullscreen_this(   plotlyOutput("plot")   )
)


server <- function(input, output) {
  output$plot <- renderPlotly( {   
    my_plot(dat,
            width  = (0.95*as.numeric(input$dimension[1])),
            height =  as.numeric(input$dimension[2]))
  })
}

#shinyApp(ui = ui, server = server)
shinyApp(ui, server, options = list(launch.browser = TRUE))
 
Aleksey Vyazmikin #:

Предлагаю объединить усилия для поиска полезной информации в код базе, а именно интересных индикаторов.

Задача затратная по времени, но есть вероятность, что будет найдено нечто недооцененное.

Сделаем базовые предикторы для индикаторов и целевые, произведем анализ распределения вероятности по целевой.

В результате будут отобраны интересные пользовательские индикаторы с их настройками на разные ТФ и торговые инструменты.

С моей стороны будет включено в работу около 200 ядер. Организую совместную работу и напишу необходимый код.

В итоге получим возможность использовать любой из анализируемых индикаторов в своем коде, имея стандарт по их настройке, включающий диапазон и шаг вариации каждой настройки.

Все участники этого совместного дела смогут пользоваться достижениями.

Процесс удобно будет организовать в Discord. Что думаете? Вроде все в выигрыше - тайнами своими не делятись, но получается потенциально полезный результат.

90% МА подобных индикаторов заменяется цифровыми фильтрами и вейвлетами. Что остается? Индикаторы волатильности, что еще?

 
Rorschach #:

90% МА подобных индикаторов заменяется цифровыми фильтрами и вейвлетами. Что остается? Индикаторы волатильности, что еще?

Можно так же добавить в общую задачу на ценность индикатора - попытку предсказать его значения по ретурнам - если выходит с точностью 100%, то в помойку его.

Можно начать с простого - разбить по типам - осцилляторы, усреднители - типа МА, уровневые - которые перерасчитываются относительно редко.

Да и новости можно обработать исторические в рамках этого проекта.
1...306930703071307230733074307530763077307830793080308130823083...3625
Новый комментарий