Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2569
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
Trend determinizm testi var mı kim bilir..
Kutudan çıkan farklı trend türleri için testler
R en iyisidir !!!!
R'nin güzel bir trend paketi var. Doğrusal bir eğilim için, sens.slope() oradan iyi çalışır.
Finansal matematik ve MO'da anlaşılması gereken ne var, piyasanın ve oyuncularının mekaniklerini bilmeniz gerekiyor
Kalabalık çoğu zaman kaybetmeye mahkûmdur çünkü karşı ajanları "büyük bir oyuncu"dur.
1) Perakende alıcıları ve satıcıları arasındaki dengesizliği görmeniz gerekir, örneğin çok sayıda satıcı varsa, işlemin diğer ucunda bir "büyük oyuncu" (alıcı) vardır.
Mesela şimdi Yahudi'de çok satıcı var
2) Kalabalığa karşı şu anda ticaret de var, bu zaten piyasa yapıcıyı ticaret yapıyor
Fiyatın her zaman konumsal kalabalığın dinamiklerine karşı hareket ettiği görülebilir (ters korelasyon)
Kalabalık satın alıp büyümeye inanırken, fiyat düşecek ve tam tersi.
Bütün piyasa bu..
ps videoyu kesinlikle izleyeceğim
Bununla ilgili de sorunlar var ve önemli sorunlar var. Ne kadar belirleyici ve güvenilir olduğu bilinmeyen pazarın sadece küçük bir dilimine erişimimiz var. İkinci resim (genel duygu) genellikle işe yaramaz. İlk olarak, “kalabalığa karşı” eğilimin devam etmesi gerektiği gibi görünen aşırı uçlarda düzenli olarak geri dönüşler meydana gelir. İkincisi, duyarlılık fiyatı tekrarlar (ters ve eksi trend) - herhangi bir osilatörü çevirin ve çok benzer bir resim elde edin. Peki, gösterge fiyatı tekrarladığı için, bunu tahmin etmek fiyat grafiğinin kendisinden daha kolay değil, değil mi? İlk resim (DOM ve açık pozisyonlar) ve kâr oranının değeri, teoride daha fazla değere sahiptir, ancak bu da... oldukça şüphelidir.
Tam olarak nasıl kodlandığı (kombinatorik açısından) çok fazla fark yoktur. Öz aynıdır - her satırda işaretler olarak hangi kurallara uyulup hangilerinin uyulmadığı yazılır. Bu her zaman 2^N seçeneğidir, burada N kural sayısıdır. Ardından, bu tür her kuralın son kümeye dahil edilip edilmeyeceği seçilir - bu zaten 2 ^ (2 ^ N) seçeneğidir. Açıktır ki, böyle bir dizi seçeneği resmi olarak basitçe sıralamak gerçekçi değildir. Bu nedenle, onları bir şekilde makul bir şekilde sıralamak mantıklıdır. Örneğin, önce sadece bir kuralla tanımlanan tüm seçenekleri alıyoruz, sonra sadece iki, vb. Şey, ya da onun gibi bir şey.
Belki iyi açıklayamıyorum, ancak burada bir kez daha CatBoost öğrenme algoritmasında nicelenen ilk örnekle çalıştığımızı bir kez daha vurgulamak istiyorum, yani. diyelim ki 1000 öngörücümüz var, her birini 10 parçaya nicelleştirdik, sonuç olarak 10000 parçaya sahibiz - daha sonra CatBoost algoritması tahmin edicileri rastgele çıkarır ve sınırlar boyunca çalışır / nicem bir kuantum seçmek için bir bölme / bölme yapar, ortadaki, 3 eşitsizlik oluşturması veya 8 yaprak oluşturması gerekiyor, 7 yaprak çöp hakkında ve bir sayfa değerli bilgiler hakkında konuşacak. Algoritmanın böyle bir ağaç oluşturup oluşturmayacağı da bir gerçek değil, çünkü rastgelelik sevgisi var ve komşu bir kuantum sayfaya girebiliyor. Ve sadece bir ağaç olmasına izin verin. Benim yöntemimde bir eşitsizlik yeterli olacak - 2 sayfa. Tüm tahminciler kullanılsa ve her birinin 1 faydalı segmenti olsa bile, bir model oluştururken kombinasyon sayısı çok daha az olacaktır. Ancak, daha az gürültü olması önemlidir, çünkü stabilizasyonu için yeni bir ağaç inşa etmek için gerekli olan çok sayıda hatalı numune bölünmesi olmayacaktır (güçlendirme ilkesi).
Er ya da geç, örneğin diğer birçok oyuncu onları bulacaktır.
O zaman belki bir şekilde bu teoriyi test etmemiz gerekiyor? Buna göre, bir avantajın, ortadan kalkmasının var olmaya devam etmekten daha olası olduğu bir artıştan sonra, minimum tekrarlama sıklığı var mı?
Örneğin, her yarım yılda bir ölçüyoruz, 1,5 yıl avantajı var - yarım yıl daha çalışacağına inanıyoruz ve zaten 2,5 yılsa, artık almanın bir anlamı yok - var çalışmayı bırakması için daha büyük bir şans.
Bilimsel formüllerde güçlü değilim, böyle bir hesaplamayı nasıl yapacağımı ve hipotezi nasıl test edeceğimi söyler misiniz?
R'nin güzel bir trend paketi var. Doğrusal bir eğilim için, sens.slope() oradan iyi çalışır.
Teşekkür ederim
Bununla ilgili de sorunlar var ve önemli sorunlar var. Ne kadar indikatif ve güvenilir olduğu bilinmeyen pazarın sadece küçük bir dilimine erişimimiz var. İkinci resim (genel duygu) genellikle işe yaramaz. İlk olarak, “kalabalığa karşı” eğilimin devam etmesi gerektiği gibi görünen aşırı uçlarda düzenli olarak geri dönüşler meydana gelir. İkincisi, duyarlılık fiyatı tekrarlar (ters ve eksi trend) - herhangi bir osilatörü çevirin ve çok benzer bir resim elde edin. Peki, gösterge fiyatı tekrarladığı için, bunu tahmin etmek fiyat grafiğinin kendisinden daha kolay değil, değil mi? İlk resim (DOM ve açık pozisyonlar) ve kâr oranının değeri, teoride daha fazla değere sahiptir, ancak bu da... oldukça şüphelidir.
bir çok konuda yanılıyorsunuz bu bilgiyi çok yüzeysel ve düşüncesizce algılıyorsunuz
Belki iyi açıklayamıyorum, ancak burada bir kez daha CatBoost öğrenme algoritmasında nicelenen ilk örnekle çalıştığımızı bir kez daha vurgulamak istiyorum, yani. diyelim ki 1000 öngörücümüz var, her birini 10 parçaya nicelleştirdik, sonuç olarak 10000 parçaya sahibiz - daha sonra CatBoost algoritması tahmin edicileri rastgele çıkarır ve sınırlar boyunca çalışır / nicem bir kuantum seçmek için bir bölme / bölme yapar, ortadaki, 3 eşitsizlik oluşturması veya 8 yaprak oluşturması gerekiyor, 7 yaprak çöp hakkında ve bir sayfa değerli bilgiler hakkında konuşacak. Algoritmanın böyle bir ağaç oluşturup oluşturmayacağı da bir gerçek değil, çünkü rastgelelik sevgisi var ve komşu bir kuantum sayfaya girebiliyor. Ve sadece bir ağaç olmasına izin verin. Benim yöntemimde bir eşitsizlik yeterli olacak - 2 sayfa. Tüm tahminciler kullanılsa ve her birinin 1 faydalı segmenti olsa bile, bir model oluştururken kombinasyon sayısı çok daha az olacaktır. Ancak, daha az gürültü olması önemlidir, çünkü stabilizasyonu için yeni bir ağaç inşa etmek için gerekli olan çok sayıda hatalı numune bölünmesi olmayacaktır (güçlendirme ilkesi).
Belki de örnek olarak bir karar ağacını kullanarak yaklaşımınızı açıklamanız gerekir. Bununla birlikte, kendini güçlendirmek oldukça karmaşık bir yapı oluşturur - rafine edilmiş bir ağaç dizisi. ve sen onunla başka bir şey yap)
O zaman belki bir şekilde bu teoriyi test etmemiz gerekiyor? Buna göre, bir avantajın, ortadan kalkmasının var olmaya devam etmekten daha olası olduğu bir artıştan sonra, minimum tekrarlama sıklığı var mı?
Örneğin, her yarım yılda bir ölçüyoruz, 1,5 yıl avantajı var - yarım yıl daha çalışacağına inanıyoruz ve zaten 2,5 yılsa, artık almanın bir anlamı yok - var çalışmayı bırakması için daha büyük bir şans.
Bilimsel formüllerde güçlü değilim, böyle bir hesaplamayı nasıl yapacağımı ve hipotezi nasıl test edeceğimi söyler misiniz?
Yarı ömre sahip radyoaktivite formülüne benzer bir şey) İnsanların aktivitesinin benzer basit formüllerle tanımlandığını düşünmüyorum) Sizin “avantaj sıklığınız” büyük olasılıkla çok tahmin edilemez bir şekilde değişecektir.
Belki de örnek olarak bir karar ağacını kullanarak yaklaşımınızı açıklamanız gerekir. Bununla birlikte, kendini güçlendirmek oldukça karmaşık bir yapı oluşturur - rafine edilmiş bir ağaç dizisi. ve sen onunla başka bir şey yap)
Evet, yöntemi hemen anlamanın kolay olmadığını anlıyorum. Daha detaylı anlatmayı planlıyorum. Ve veriler CatBoost'a beslenmeden önce işlenir, ancak ben kendi algoritmamı yapmak istiyorum, bu sizin adlandırdığınız gibi bölme sırasında "çürüme" dinamiklerindeki değişikliği hesaba katacak.
Yarı ömre sahip radyoaktivite formülüne benzer bir şey) İnsanların aktivitesinin benzer basit formüllerle tanımlandığını düşünmüyorum) Sizin “avantaj sıklığınız” büyük olasılıkla çok tahmin edilemez bir şekilde değişecektir.
Belki hiçbir şey yoktur, ama nasıl kontrol edilir?
Teşekkür ederim
bir çok konuda yanılıyorsunuz bu bilgiyi çok yüzeysel ve düşüncesizce algılıyorsunuz
Evet, bu araçla uzun yıllar çalıştım ama hiç düşünmedim.
Özellikle neye katılmıyorsunuz?
Evet, öyle diyelim.
Hayır, şimdi eşitsizlik kuralının yerine getirilmesini bir olarak alıyoruz ve kural örnek tarafından tetiklendiğinde hedefin ortalama değerine (ikili sınıflandırmada diyelim) bakıyoruz, eğer başlangıç ortalama değeri için 0.45 diyelim. örnek ve yalnızca yanıtlarla değerlendirmeden sonra 0,51 oldu, o zaman tahmin edicinin (bölümü/kuantumu) 0,06 tahmin gücüne sahip olduğunu düşünüyoruz, yani. %6.
Halihazırda bağımsız ikili tahmin ediciler olan bölümlere sahip bir dizi tahmin edici topluyoruz ve bunlara dayalı bir model oluşturuyoruz.
Tüm bu kuantaları hepsiyle birleştirmek (tahmin gücü olan veya olmayan) aslında hızlı bir şey değildir, ancak tahmin gücüne sahip bir niceliğin tanımlandığı bir temel tahminci ile yapılırsa mantıksız olmayabilir.
Ancak, teoride bile, tam örnekte olduğundan daha az olası kombinasyon olduğundan, bu fazla uydurma daha az olacaktır.
Bu tür kuantum yasalarının neden 7 yıl boyunca çalışıp sonra aniden durduğunu anlamak için kalır...
1) 1 ağaç alıyoruz.
2) her düğüm en fazla 10 dal verebilir (bulunan resimde daha az, her birinin 10 olduğunu hayal edin), her dal 1 kuantum tarafından üretilir (kuantum %10'luk bir öngörücünün parçasıdır: ya yüzdelik dilim ya da yüzde 10 genlik, hangi niceleme yönteminin kullanıldığına bağlı olarak).
3) ilk bölünmeden sonra, daha sonra başarılı bir listeye yol açacak olan 3 kuanta bulundu.
4) sonraki bölümler, başarılı yapraklara yol açan daha iyi bölünmeler/kuantalar bulur
5) başarılı ayrılana kadar başarılı quanta'yı hatırlayın
6) sadece tahmin edici olarak seçilen nicelikleri kullanan yeni bir ağaç oluşturuyoruz
Bunu yapmak için, ilk ağacın nicelleştirildiği aynı yöntemi kullanarak, tahmin edicileri senaryomuzla nicelleştiririz, 100 tahmin ediciden 1000 elde ederiz, bunlar zaten 0 veya 1'dir. Tahmin edici değeri bu aralıktaysa, o zaman bu = 1, değilse = 0.
Yalnızca başarılı yolları/kuantayı seçtiğimiz için, seçilen tüm nicel değerler = 1. Tüm tahminciler = 1 ise, yeni ağaç öğrenemeyecektir. Cevap zaten biliniyor.
Yoksa artık yeni bir ağaç inşa etmeye gerek yok mu? Sadece tahmin edicinin değeri seçilen kuantuma düşerse, hemen harekete geçelim mi?
Evet, bu araçla uzun yıllar çalıştım ama hiç düşünmedim.
Özellikle neye katılmıyorsunuz?
hangi aletle?
hangi aletle?
Peki, resimde ne var? Cam ve duygu.