Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 608
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
похоже просто на ансамбль из НС
если не ошибаюсь
Потом подбираем параметры модели (активационная функция, число слоёв и их размеры итд) каждый раз делаем все эти шаги (обучить 5 моделей, предсказать 5 кусков уникальных для каждой модели, объединить их, R2), добиваясь всё более лучшей оценки.
Это же сотни сетей построить и обучить надо! Но пока другого варианта не видно(
Я думаю если написать ему и предложить штуку баксов в час, то можно индивидуальные уроки взять у Перчика, Перепёлкин выйдет немного дороже, но оно того стоит
блин, вы серьезно про перчика? жесть )
платить штукарь засланному водиле-разводиле
про второго вообще ничего не знаю.. и знать не хочу )
короче все это интересно, но спать пора и дочитывать книжки на этой неделе
похоже просто на ансамбль из НС
если не ошибаюсь
В конце получится обычный ансамбль, да. Но результат будет гораздо лучше чем по сравнению с "просто обучить 5 нейронок на всей табличке".
Ну да, стандартный вариант, хотя предпочитаю без кв, писал уже...
Док, попробуй фиксануть крутизну с разными параметрами и тестануть.
У меня LibreOffice, в нём не заработала та нейронка.
Это же сотни сетей построить и обучить надо! Но пока другого варианта не видно(
Поэтому я люблю пакет gbm в R например, скорость его обучения на порядки выше. Это не нейронка, это леса и бустинг.
Ещё интересно что k-fold кроссвалидация у меня неплохо получалась и с небольшим числом эпох обучения нейронки. Число эпох было одним из параметров обучения который я подбирал. Небольшое число эпох = быстрое обучение, в этом плюс. Но возможная точность модели ниже, это минус.
Советую научиться k-fold кроссвалидацию. Я видел несколько разных способов, вот этот работает хорошо -
...
Ещё есть нюанс что начальные веса нейронки выставляются рандомно, и от этого может очень зависеть конечный результат обучения, в том числе и для леса и других моделей.
Каждый раз перед обучением модели я устанавливаю значение генератора случайных чисел в одно и то-же состояние:
set.seed(12345)Таким образом получаю воспроизводимость результата и стабильность. Значение зерна гпсч можно тоже подбирать вместо 12345, что хоть и довольно забавно звучит, но порой необходимо.
Ещё есть нюанс что начальные веса нейронки выставляются рандомно, и от этого может очень зависеть конечный результат обучения, в том числе и для леса и других моделей.
Каждый раз перед обучением модели я устанавливаю значение генератора случайных чисел в одно и то-же состояние:
Таким образом получаю воспроизводимость результата и стабильность. Значение зерна гпсч можно тоже подбирать вместо 12345, что хоть и довольно забавно звучит, но порой необходимо.
Выкиньте свою сеть в мусорку, раз она так реагирует на значения гпсч. Нормальная сеть работает и обучается при любых начальных значениях, даже при нулевых.
Если той нейронке дать много нейронов и слоёв и бесконечные эпохи обучения то она без проблем обучится до нужной точности с любым начальным зерном.
Я например учусь предсказывать прирост цены за бар. Проблема в том что в ценах много шума (настоящая цена +- какие-то рандомые сдвиги), а предсказать шум невозможно. Зато можно с помощью кроссвалидации подобрать параметры при которых модель ещё не начнёт запоминать шум, но уже кое-как обобщит эти данные и будет правильно прогнозировать хотя-бы в небольшом проценте случаев. И при некоторых начальных значениях весов модель сразу начинает запоминать шум вместо того чтоб пытаться как-то обобщить эти данные, это плохо, и тогда следует поискать другое начальное зерно для инициализации весов.
Выкиньте свою сеть в мусорку, раз она так реагирует на значения гпсч. Нормальная сеть работает и обучается при любых начальных значениях, даже при нулевых.
это просто еще одна экспликация того, что нельзя использовать статические методы в динамических системах
я тоже использую сетсид, любая МОшка сильно флюктуирует от раза к разу, по крайней мере по остаткам это заметно
Ну поехали теперь рассматривать архитектуры для обучения на временных рядах а не на картинках котиков, вариант раз:
Вариант 2:
ну то есть совмещение НС и автоматов видится хорошим решением, с положительными и отрицательнми обр. связями, а кто и как будет это реализовывать - другой вопрос. Лично для меня такой подход самый очевидный