Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2017
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Ve sonra kim "yuvarlak seviyeleri" işaret olarak kullanmaya çalıştı?
Yoksa fiyatı idare etmenin bir yolu olarak mı?
fiyatları yuvarlak değerlerle fark edebilirsiniz mesela...
Arka arkaya aynı olan değerleri kaldırabilirsiniz...
Kötü bir bilgi sıkıştırması ve ayrıca filtreleme olmadığı ortaya çıktı .. Belki de modelin böyle bir grafikte kalıpları araması daha kolay olacaktır..
Tahminler yapmayı planlıyorum, buradaki mantık, seviyelerde seçenek vuruşlarının olması, bu yüzden bu Moex için faydalı olabilir.
Grafikler ilginç, MQL'de algoritmanın elde edilmesi hızlı olurdu ...Takılıp kalmak hakkında - belki de hatanın düzeltilme şeklini değiştirmeniz gerekir.
Peki, neden bir kara kutu var, sadece 2-3 katman varsa, katsayılarla almak oldukça mümkündür. Buradaki küçük katsayılar kabalaştırılabilir ve sıfıra sıfırlanabilir, bu da nörona giriş sayısını azaltacaktır.
"belki değiştirmeniz gerekiyor" ne anlama geliyor, materyali ve aktivasyon fonksiyonlarının nasıl çalıştığını öğrenin. Veya ağ geliştiricileri o kadar aptallar ki tahmin edemezlerdi.
Neden tüm bunlara girip, ne bir profil eğitimi ne de matematiksel bir eğitim olmadan tekerleği yeniden icat ettin? Bu aptalca bir zaman kaybı. Teknolojiler var ve nasıl kullanılması gerektiği yazıyor.
"belki değiştirmeniz gerekiyor" ne anlama geliyor, materyali ve aktivasyon fonksiyonlarının nasıl çalıştığını öğrenin. Veya ağ geliştiricileri o kadar aptallar ki tahmin edemezlerdi.
çünkü bu boştan boşa bir transfüzyon, bazı varsayımlar ve sıfır özellikler. Bir otomatik kodlayıcı eğittik, özellikleri artırmaya veya NS'ye sürdük, sonucu gösterdik. Herşey. Hiçbir şeyi çözmenize gerek yok. Derin mimariler ayrıştırılmak için değil, analitik rutini azaltmak için inşa edilmiştir.
Neden tüm bunlara girip, ne bir profil eğitimi ne de matematiksel bir eğitim olmadan tekerleği yeniden icat ettin? Bu aptalca bir zaman kaybı. Teknolojiler var ve nasıl kullanılması gerektiği yazıyor, hepsi bu. Bir grup insan bunun üzerinde çalışıyor.
Kutudan çıkan hazır çözümler onlar için belirlediğim görevleri çözdüyse, hiçbir şey icat etmeye gerek yoktu, ama ne yazık ki.
Şimdi büyük bir örnek hazırlıyorum ve birçok modeli CatBoost üzerinde eğiteceğim, başarılı uygulamalarını gerçek zamanlı olarak ilerletmek için modelin kalitesini nasıl değerlendireceğime dair fikirlerim var - çalışmanın sonuçlarını paylaşacağım.
Kutudan çıkan hazır çözümler onlar için belirlediğim görevleri çözdüyse, hiçbir şey icat etmeye gerek yoktu, ama ne yazık ki.
Şimdi büyük bir örnek hazırlıyorum ve birçok modeli CatBoost üzerinde eğiteceğim, gerçek zamanlı olarak daha başarılı bir şekilde uygulamak için modelin kalitesini nasıl değerlendireceğime dair fikirlerim var - çalışmanın sonuçlarını paylaşacağım.
catboost, zaman serisi tahmin problemlerini çözmek için uygun değildir, dizilerle çalışmaz
Tamamen sınıflandırma ile oynayabilirsiniz, ancak bunun bir anlamı olmayacaktır.catboost, zaman serisi tahmin problemlerini çözmek için uygun değildir, dizilerle çalışmaz
Tamamen sınıflandırma ile oynayabilirsiniz, ancak bunun bir anlamı olmayacaktır.Çalışıp çalışmadığını nasıl belirlersiniz?
Test cihazında bir yıl boyunca (yaklaşık bir yıl önce eğitilmiş) kar gösteren modellerim var - onları bir kaza olarak kabul etmeyi öneriyor musunuz?
Evet, CatBoost, yaprak işleme sonrası genetik ağaçtan daha düşüktür, ancak öğrenmede çok hızlıdır.
Ve ne işe yarar - NS?
Çalışıp çalışmadığını nasıl belirlersiniz?
Test cihazında bir yıl boyunca (yaklaşık bir yıl önce eğitilmiş) kar gösteren modellerim var - onları bir kaza olarak kabul etmeyi öneriyor musunuz?
Evet, CatBoost, yaprak işleme sonrası genetik ağaçtan daha düşüktür, ancak öğrenmede çok hızlıdır.
Ve ne işe yarar - NS?
tanımlamadım, ancak diğer görevler için mimarinin kendisi
evet hepsi tesadüf
hiçbir şey çalışmıyorken)
Tahminler çıplak fiyatlar değildir - benzer olabilecek birçok göreceli nokta...
Korelasyon filtrelemenin etkili olup olmayacağından emin değilim ...
Neden denemiyorsun? Negatif bir sonuç da bir sonuçtur (daha fazla düşünülmesi için yiyecek anlamında).
Hatta bir keresinde burada korelasyon katsayısı için bir formül önermiş gibi görünüyor: C = (n1 - n2)/n, burada n, iki sistemden en az birinin ticaret sinyali verdiği çubukların sayısı , n1 ise sinyallerin her iki sistem tarafından aynı anda ve aynı yönde verildiği çubuklar ve n2 - sinyallerin her iki sistem tarafından aynı anda ve zıt yönlerde verildiği çubuk sayısı.
Bu katsayıların bir matrisi, kümeleme, inceltme ve portföy oluşturma için kullanılabilir.
tanımlamadım, ancak diğer görevler için mimarinin kendisi
evet hepsi tesadüf
hiçbir şey çalışmıyorken)
Tabii ki, zaman serileri için keskinleştirme yoktur, bu nedenle tahminciler sadece Y hakkında değil, X koordinatı hakkında bilgi içermelidir.
Bu tür rastgele kalıpları belirlemeyi öğrenirseniz, o zaman bir kazanç olacaktır.
Geçmiş yıllarda seçilen yaprakların% 60'ından fazlası benim için çalışıyor, bu çok ve bence, kötü sınıflandırılmış verileri işleme yaklaşımı fikrinin uygulanabilirliğini doğruluyor. Bu fikir üzerinde daha fazla insan çalışsaydı, sonuç daha iyi olurdu, ancak herkesin kendi bibloları vardır.
Tabii ki, zaman serileri için keskinleştirme yoktur, bu nedenle tahminciler sadece Y hakkında değil, X koordinatı hakkında bilgi içermelidir.
Bu tür rastgele kalıpları belirlemeyi öğrenirseniz, o zaman bir kazanç olacaktır.
Geçmiş yıllarda seçilen yaprakların% 60'ından fazlası benim için çalışıyor, bu çok ve bence, kötü sınıflandırılmış verileri işleme yaklaşımı fikrinin uygulanabilirliğini doğruluyor. Bu fikir üzerinde daha fazla insan çalışsaydı, sonuç daha iyi olurdu, ancak herkesin kendi bibloları vardır.
Görünüşe göre bir makale istiyorlar.. Yaklaşımın özünü ana hatlarıyla belirtin. ne yapıyorsun hala anlamadım :D
Özelliklerin modelin kendisi tarafından zaman serisinden (varsa) otomatik olarak çıkarılması gerektiği görüşüne bağlıyım. Ve manuel olarak hiçbir şey yapmanız gerekmez. Yeterli artışlar. Soru mimari. Örneğin, NLP'de (sinirsel dil işleme) olduğu gibi, sinir ağının kendisi, kelime dizilerindeki içeriği belirler, yani. zaman serisi okumaları arasındaki bağlantı.
Neden denemiyorsun? Negatif bir sonuç da bir sonuçtur (daha fazla düşünülmesi için yiyecek anlamında).
Hatta bir keresinde burada korelasyon katsayısı için bir formül önermiş gibi görünüyor: C = (n1 - n2)/n, burada n, iki sistemden en az birinin ticaret sinyali verdiği çubukların sayısı , n1 ise sinyallerin her iki sistem tarafından aynı anda ve aynı yönde verildiği çubuklar ve n2 - sinyallerin her iki sistem tarafından aynı anda ve zıt yönlerde verildiği çubuk sayısı.
Bu katsayıların bir matrisi, kümeleme, inceltme ve portföy oluşturma için kullanılabilir.
Peki ya tahminciler?
Yaprak seçimi için benzer bir şey yapıyorum, ancak örnekte yaprak yanıtlarının sayısının farklı olduğu konusunda hala bir yakalama var ve benzer yanıtlara sahip ancak farklı uzunluklara sahip yaprakların aynı gruba ait olabileceği dikkate alınmalıdır. .