Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1808

[mytarmailS]

Alexey Vyazmikin :

Denediğin için teşekkürler.

Hangi ZZ'yi kullandınız? Bana farklı aralıklara sahip birkaç etiketli ZZ gönderebilir misiniz?

Şimdi bölmeleri gruplamak istiyorum, böylece daha az kombinasyon olacak.

lütfen...

Mutlak olarak 200 veya 300 .

ZZ dengede mi? hangi gruplarla ilgilendiğini söyle

Ya da belki biraz R öğrenin? ;)

5 satır kod ve istediğini aldın

 # читаем файл
dat <- read.csv(file = "D:\\R2\\forum\\models\\Balans_OHLCV.csv" ,sep = ";" )
# установка библы с индикаторами в том числе зигзаг
install.packages( "TTR" )
# считаем зигзаг по баласну
my_ZZ <- TTR::ZigZag( dat$Balans ,change = 200 ,percent = F)
# зигзаг в бинарный вид
zz <- c( 0 ,diff(my_ZZ)) ; zz[zz>= 0 ] <- 1 ; zz[zz< 0 ] <-   0
zz
# добавляем зз как колонку к данным
dat_and_zz <- cbind(dat, zz)
# пишем данные в новый файл  csv
write.csv(dat_and_zz, file = "D:\\R2\\forum\\models\\Balans_OHLCV_ZZ.csv" ,sep = ";" )

[Vladimir Perervenko]

# установка библы с индикаторами в том числе зигзаг
install.packages( "TTR" )
# читаем файл
dat <- read.csv(file = "D:\\R2\\forum\\models\\Balans_OHLCV.csv" ,sep = ";" )->.;
# считаем зигзаг по баласну
TTR::ZigZag(., change = 200 , percent = F)->.;
# зигзаг в бинарный вид
c( 0 , diff(.)) ->.;
sign(.)->.;
# добавляем зз как колонку к данным
cbind(dat, zz = .) -> dat_and_zz 
# пишем данные в новый файл  csv
write.csv(dat_and_zz, file = "D:\\R2\\forum\\models\\Balans_OHLCV_ZZ.csv" ,sep = ";" )

Böyle daha iyi. Daha az ara gereksiz çöp.

İyi şanlar

[mytarmailS]

Vladimir Perervenko :

Böyle daha iyi. Daha az ara gereksiz çöp.

İyi şanlar

Teşekkürler Vladimir, bunu yapmanın mümkün olduğunu bile bilmiyordum)) !! R'yi seviyorum, her zaman hoş sürprizler!

Ve bana verileri nasıl ayrıklaştıracağımı ve bu ayrıklaştırmayı yeni verilere nasıl aktaracağımı ne zaman göstereceksin? :)

[Vladimir Perervenko]

Neyse, makalenin linkini verdim. İşte burada .

"Ayrıklaştırma" paketi kullanılır.

Ayrıklaştırma , sınırları belirlemek için çeşitli yöntemler kullanarak değerini bölümlere ayırarak sürekli bir değişkeni ayrık bir değişkene dönüştürme işlemidir.

İki grup ayırma yöntemi ayırt edilebilir: nicel, hedefle bağlantısız ve hedef aralıklarının yazışmalarını dikkate alarak.

İlk yöntem grubu , cut2()::Hmisc işlevi tarafından neredeyse tamamen kapsanmıştır. Örneği önceden belirlenmiş sayıda siteye, belirli sınırlara, çeyreklere, her sitede minimum sayıda örnekle eşit sıklık sitelerine bölebilirsiniz.

İkinci grup yöntem, değişkeni hedefin seviyelerine göre bölümlere ayırdığı için daha ilginçtir. Bu yöntemleri uygulayan birkaç pakete bakalım.

ayrıştırma. Bu paket, bir dizi denetimli ayrıklaştırma algoritmasıdır. Ayrıklaştırma algoritmalarının "yukarıdan aşağıya" veya "aşağıdan yukarıya" uygulamaları açısından da gruplandırılabilir. Örnek olarak dataSet'imizi kullanarak bazılarına bakalım."

Minimum açıklama uzunluğu ilkesini kullanarak ayrıklaştırmayı tanımlayan ayrıklaştırma:: mdlp() işlevini kullanıyoruz. Bu fonksiyon, durdurma kuralı olarak minimum açıklama uzunluğuna sahip bir entropi kriteri kullanarak bir veri matrisinin sürekli özniteliklerini ayrıklaştırır. Mükemmel bölüm, ama uzun. Test setini ayrıklaştırmak için base::findinterval() kullanıyoruz. Makalenin işlevleri ve örnekleri var. Ayrıklaştırma için tek paket bu değil. Navsidku: glmdisc, smbinning, cutpointr (ikili hedef için), woeBinning ve diğerleri. Bunlar CRAN'daki paketler. İyi bir MOB paketi var - Github'dan yükleyin. Bunları test ettim ve çalışıyorlar. Ayrıklaştırma sonucunu hangi biçimde almak istediğinize bağlıdır (vay, bin, ham ...)

Denemek.

İyi şanlar

[Valeriy Yastremskiy]

Vladimir Perervenko :

Ayrıklaştırma sonucunu hangi biçimde almak istediğinize bağlıdır (vay, bin, ham ...)

İstediğini beğendim)))) Ama bu doğru olduğu anlamına gelmez) Gruuuus...........

[mytarmailS]

Vladimir Perervenko :

Neyse, makalenin linkini verdim. İşte burada .

"Ayrıklaştırma" paketi kullanılır

Hayır yapmadılar :)

Farklı paketlere baktım ve makaleler okudum, ancak ayrıklaştırma yaparken yeni verilerle nasıl çalışılacağına dair bir şey bulamadım, muhtemelen iyi görünmüyordum, her durumda, açıklamalar için teşekkürler.

[Evgeny Dyuka]

Vladimir Perervenko :

Neyse, makalenin linkini verdim. İşte burada .

Çok fazla makale var, çalışma ilginç, ancak pratik sonuçlar hakkında herhangi bir özet var mı?
Onlar. tüm bunlar gerçek piyasada ne kadar işe yarıyor?

[Vladimir Perervenko]

Evgeny Dyuka'nın fotoğrafı.

Çok fazla makale var, çalışma ilginç, ancak pratik sonuçlar hakkında herhangi bir özet var mı?
Onlar. tüm bunlar gerçek piyasada ne kadar işe yarıyor?

İşler. Sözümü aldın mı?

Tüm kodlar gönderildi. Oluşturun, deneyin.

En önemli şey, önemli olmalarına rağmen modeller değildir. Tahminciler ve bunların hazırlanması (ön işleme) önemlidir. Veriler ne kadar iyi hazırlanırsa, kullanılan modeller o kadar basit olur.

İyi şanlar

[Evgeny Dyuka]

Vladimir Perervenko :

İşler. Sözüme aldın mı?

Tüm kodlar gönderildi. Oluşturun, deneyin.

En önemli şey, önemli olmalarına rağmen modeller değildir. Tahminciler ve bunların hazırlanması (ön işleme) önemlidir. Veriler ne kadar iyi hazırlanırsa, kullanılan modeller o kadar basit olur.

İyi şanlar

Elbette inanacağım, her şeyi dikkatlice okuyacağım ve kodu analiz edeceğim, özellikle şimdi yapacak bir şey yok, çok zaman var.
Ancak buna bir haftamı ayırmadan önce, " Yukarıdaki yöntem gerçek piyasada böyle sonuçlar veriyor... " gibi bir cümleyle başlayan bir makale parçasına ve ardından birkaç çizelge veya tabloya bağlantı verebilirsiniz.

[mytarmailS]

Evgeny Dyuka :
Elbette inanacağım, her şeyi dikkatlice okuyacağım ve kodu analiz edeceğim, özellikle şimdi yapacak bir şey yok, çok zaman var.
Ancak buna bir haftamı ayırmadan önce, " Yukarıdaki yöntem gerçek piyasada böyle sonuçlar veriyor... " gibi bir cümleyle başlayan bir makale parçasına ve ardından birkaç çizelge veya tabloya bağlantı verebilirsiniz.

Neredeyse her ikinci makale, yeni veriler üzerinde bir testle sona eriyor.

işte burada