Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 549

 

İşte başka bir peygamber örneği ama R için (python'da alamadım)

Veriler dönüştürülür ve çıplak alıntılar değilse, genel olarak Arima'nın normları tahmin etmesinin daha iyi olacağını düşünüyorum.

ve eğlence için Arima ile karşılaştırın

https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/

Get My Forex Systems FREE!
Get My Forex Systems FREE!
  • admin
  • strategy.doubledoji.com
Trading is all about forecasting price. If you have been reading my Forex Strategies 2.0 Blog, you must have seen I am focusing more and more on algorithmic trading. If you can forecast currency pair price with a reasonable degree of accuracy, you can make a lot of pips. Markets have changed a lot. Today algorithms rule the market. Wall Street...
 

işte araştırma içeren başka bir büyük ayak örtüsü:

https://msperlin.github.io/pafdR/research-scripts.html

Processing and Analyzing Financial Data with R
  • Marcelo S. Perlin (marcelo.perlin@ufrgs.br)
  • msperlin.github.io
Here we will present three elaborate examples of financial research with R. Every script provided here is reproducible, using refreshable data from the internet. You can download the code and replicate all results. Each research script is saved in a single .Rmd file and is available in the book repository, folder . The first example of research...
 
Maksim Dmitrievski :

İşte başka bir peygamber örneği ama R için (python'da alamadım)

Veriler dönüştürülür ve çıplak alıntılar değilse, genel olarak Arima'nın normları tahmin etmesinin daha iyi olacağını düşünüyorum.

ve eğlence için Arima ile karşılaştırın

https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/


Kemer üzerinde test etmek gereklidir. Kemer etkisinin olmadığı zaman serileri vardır, ancak eğer öyleyse, o zaman garch gereklidir ve tamamen spesifik bir tane seçmeniz gerekir (birçoğu vardır) ve o zaman dağılımı modellemek çok faydalıdır. .

 

Aşağıda bitirmekte olduğum makalemden iki alıntı var. Tekerleği yeniden icat etmek için zaman kaybetmenize gerek yok. Bunu profesyonellerden daha iyi yapamazsınız. Python ve R zaten harika bir şekilde entegre edilmiştir. Sadece kullan.

" TensorFlow" kitaplığını kullanma

Son zamanlarda, hızla gelişen derin sinir ağları alanı, bir dizi açık kaynak kitaplığı ile dolduruldu. Yaygın olarak reklamı yapıldı   TensorFlow(Google)   CNTK(Microsoft) ,   Apache MXNet   Ve bircok digerleri. Tüm bu ve diğer büyük yazılım geliştiricilerin R Konsorsiyumu üyesi olması nedeniyle, tüm bu kitaplıklar için R için API'ler sağlanmaktadır.

Yukarıdaki kitaplıkların tümü çok düşük seviyelidir. Yeni başlayanlar için bu alanın sindirimi zordur. Bunu akılda tutarak, Rstudio ekibi R için keras paketini geliştirdi.

Keras, hızlı deneylere odaklanarak tasarlanmış üst düzey bir sinir ağı API'sidir. Fikirden sonuca mümkün olan en az gecikmeyle gitme yeteneği, iyi araştırma yapmanın anahtarıdır. Keras aşağıdaki temel özelliklere sahiptir:

  • CPU veya GPU üzerinde eşit şekilde çalışmanıza izin verir.
  • Derin öğrenme modellerinin prototipini oluşturmayı kolaylaştıran kullanıcı dostu bir API.
  • Evrişimli ağlar (bilgisayar görüşü için), tekrarlayan ağlar (sıra işleme için) ve her ikisinin herhangi bir kombinasyonu için yerleşik destek.
  • İsteğe bağlı ağ mimarilerini destekler: çok girişli veya çok çıkışlı modeller, katman paylaşımı, model paylaşımı vb. Bu, Keras'ın bir bellek ağından sinirsel bir Turing makinesine kadar temelde herhangi bir derin öğrenme modeli oluşturmak için uygun olduğu anlamına gelir.
  • TensorFlow, CNTK veya Theano dahil olmak üzere birden fazla arka uç üzerinde çalışabilir.

Sadece keras R paketini kurun ve indirin ve ardından TensorFlow, Python ve ortam dahil olmak üzere ihtiyacınız olan her şeyi yükleyen keras::install_keras() işlevini çalıştırın.   sanal ortam   veya   conda . Sadece işe yarıyor! GPU'lara Keras ve TensorFLow yükleme talimatları için bkz.:   burada . Daha fazla ayrıntı için bkz.   makale ."

"Tfruns paketi, TensorFlow ile deneyler yapmak için tasarlanmıştır . tfruns paketi, TensorFlow eğitimini ve R'den deneyleri yönetmek için bir dizi araç sağlar:

  • Her eğitim çalışmasının hiperparametrelerini, ölçümlerini, çıktılarını ve kaynak kodunu izleyin.
  • En iyi performans gösteren modeli bulmak için çalıştırmalar arasındaki hiperparametreleri ve metrikleri karşılaştırın.
  • Bireysel antrenman çalıştırmalarını veya çalıştırmalar arasındaki karşılaştırmaları görselleştirmek için otomatik olarak raporlar oluşturun.
  • Kaynak kodunda herhangi bir değişiklik gerekli değildir (tüm Keras modelleri ve tfestimatörleri için başlangıç verileri otomatik olarak yakalanır).

DNN sürecinin ve öğrenme sonuçlarının en iyi görselleştirilmesi TensorBoard tarafından sağlanır.

Ve elbette, derin öğrenme uzmanlarına tensorflow paketini kullanarak düşük seviyeli TensorFlow kitaplığıyla doğrudan çalışma fırsatı verilir.

Bu paketlerin tümü, Python modülleri, işlevleri ve sınıfları için çekirdek - reticulate - R arayüzüne dayanmaktadır. Python'da çağrıldığında, R veri türleri otomatik olarak eşdeğer Python türlerine dönüştürülür. Değerler Python'dan R'ye döndürüldüğünde tekrar R tiplerine dönüştürülür.Yakından bakmakta fayda var.

Tüm bu paketler iyi belgelenmiştir ve geliştiriciler sınıfı göz önüne alındığında şaşırtıcı olmayan, tonlarca örnek sağlanan ve sürekli gelişen. Böylece makine öğrenmesi alanındaki en gelişmiş ve gelişmiş derin öğrenme modellerini (DNN, RNN, CNN, LSTM, VAE vb.), pekiştirmeli öğrenmeyi (RL) ve diğer birçok Python geliştirmesini kullanmamız için eşsiz bir fırsata kavuştuk. terminalin uzmanları ve göstergelerinde yeterli bilgi ve deneyim"

İyi şanlar

 

aynı zamanda, stratejilerin karmaşıklığı ve iş miktarı, profesyonel olarak veri satanizmi ile uğraşmayan 1. kişi için çok fazla oluyor :)

 

Python ve MT entegrasyonunu neredeyse tamamladı. Ek bir DLL yazmak zorunda kaldım. Küçük şeyler kaldı. mqh'yi bitirin ve dokümana yazın. Kütüphanenin pek çok özelliği yok ama bunlar yeterli. Bir Python betiğini indirebilir ve çalıştırabilirsiniz. Ve ayrıca ondan herhangi bir işlevi çağırın. Listelerle çalışma olacak ama sadece tek boyutlu ve homojen olacak. Onlar. MQL dizisi bir listeye dönüştürülür ve bunun tersi de geçerlidir.

 
Яндекс открывает технологию машинного обучения CatBoost
Яндекс открывает технологию машинного обучения CatBoost
  • 2018.07.17
  • habrahabr.ru
Сегодня Яндекс выложил в open source собственную библиотеку CatBoost, разработанную с учетом многолетнего опыта компании в области машинного обучения. С ее помощью можно эффективно обучать модели на разнородных данных, в том числе таких, которые трудно представить в виде чисел (например, виды облаков или категории товаров). Исходный код...
 

Ama R öğreticisi iyidir .. temel ve lineer modellerden garch'a ve peygamberin facebook'una .. (peygamberi buraya atmam boşuna değil, çünkü bazı çevrelerin ilgisini çekiyor ve mega kullanımı kolay ) neredeyse python ile aynı, ancak daha ayrıntılı olarak, R'deki öğretmenden

genel olarak, elbette, ekonometriden sinir ağlarına gitmek mantıklıdır, tersi değil, yani. Düşünmek için bir duyguya sahip olmak için (üniversitede okumadıysanız) zaten orada olanı inceleyin ve ardından ızgaraya bağlı kalın

genel olarak, ekonometrideki sinir ağlarının ayrı olduğunu ve ana konu olmadığını unutmayın (şimdilik)

https://msperlin.github.io/pafdR/

Processing and Analyzing Financial Data with R
  • Marcelo S. Perlin (marcelo.perlin@ufrgs.br)
  • msperlin.github.io
Welcome to the book site of Processing and Analyzing Financial Data with R. Here you can find the full online content of the book. The book is also available as an ebook (Amazon) and hardcover (CreateSpace / Amazon). If you liked the material and are using the book, please consider purchasing it. As an author, I certainly appreciate the gesture...
 
Maksim Dmitrievski :


genel olarak, elbette, ekonometriden sinir ağlarına gitmek mantıklıdır, tersi değil, yani. Düşünmek için bir duyguya sahip olmak için (üniversitede okumadıysanız) zaten orada olanı inceleyin ve ardından ızgaraya bağlı kalın

genel olarak, ekonometrideki sinir ağlarının ayrı olduğunu ve ana konu olmadığını unutmayın (şimdilik)

https://msperlin.github.io/pafdR/

Birkaç yıl önce matlab ile ilgilendim ve "Ekonometri" adlı araç kutusunda ekonometri araçları hakkındaki fikirlerimin aksine SADECE GARCH modelleri vardı.

Sonuç olarak, MO ile meşgul. Hepsinden önemlisi, şaşırdım - bunlar finans piyasalarında ML uygulamasına ilişkin çok zayıf yayınlar.

Kısa süre önce GARCH'a döndüm ve beni en çok etkileyen, GARCH'ın finansal piyasalarda kullanımına ilişkin çok sayıda yayındı: borsalar, endeksler, vadeli işlemler ve döviz çiftleri. Sadece biraz saçmalık.

Yani matlab haklı olabilir mi? Belki NS dahil tüm ML araçları finansal piyasalar için üçüncü taraf araçlardır?

 
San Sanych Fomenko :

Yani matlab haklı olabilir mi? Belki NS dahil tüm ML araçları finansal piyasalar için üçüncü taraf araçlardır?


Eh, olduğu gibi, evet, bunlar bazı hazır ekonomiler değil. modeller, ancak herhangi bir alan için yalnızca bir dizi evrensel araç

parametrik olmayan ekonometri sadece MO ve bulanık mantıkla ilgilidir, ancak henüz anlaşılır bir şey görmedim, belki de bazı genel yaklaşımlar geliştirilmediği için. Eh, DNN'ye daha fazla gösterge dolduranlar ve nasıl çalıştığının net olmadığı net olmayanlar dışında :)