Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3042

Yeni yorum
 

Verilerden birkaç "iyi" kural/strateji çıkarmak...

Tam adım

1) veri dönüşümü ve normalleştirme

2) model eğitimi

3) kural çıkarma

4) kural filtreleme

5) görselleştirme

hazır kod, sadece verilerinizi değiştirin.

close <- cumsum(rnorm(10000,sd = 0.00001))+100
par(mar=c(2,2,2,2))
plot(close,t="l")

sw <- embed(x = close,dimension = 10)[,10:1] #  make slide window data
X <- t(apply(sw,1,scale)) #  normalase data

dp <- c(diff(close),0) #  diff prices
Y <- as.factor( ifelse(dp>=0,1,-1) ) #  target for classification

tr <- 1:500
library(inTrees)  # ?inTrees::getRuleMetric()
library(RRF)

rf <- RRF(x = X[tr,],y = Y[tr],ntree=100)
rule <- getRuleMetric(unique(extractRules(RF2List(rf),X[tr,])),X[tr,],Y[tr])
rule <- data.frame(rule,stringsAsFactors = F)
for(i in c(1,2,3,5)) rule[,i] <- as.numeric(rule[,i])
buy_rules <- rule$condition[ rule$pred==1 ]

plot(x = 1:1000,y = rep(NA,1000), ylim = c(-0.001,0.001)) 
for(i in 1:length(buy_rules)){
   cum_profit <- cumsum( dp[  eval(str2expression(buy_rules[i]))  ] )
   lines(cum_profit,col=8,lwd=1)
}
for(i in 1:length(buy_rules)){
  cum_profit <- cumsum( dp[  eval(str2expression(buy_rules[i]))  ] )
  ccor <- cor(cum_profit, 1:length(cum_profit))
  if(ccor>=0.9)  lines(cum_profit,col=i,lwd=2)
}
abline(h = 0,col=2,lty=2)



Soru şu ki, eğer "çalışan TC'leri" rastgele bulabiliyorsanız, gerçek veriler üzerinde bulunan TC'lerin rastgele olmadığını kanıtlamanın yolları nelerdir?

Alexey burada bunu yapıyor, acaba bu tür görevler için herhangi bir istatistiksel test var mı?

 
Chatgpt'e sorun, genellikle bir insandan daha bilgilendirici cevaplar verir :)

Bir deney yapmak istiyorum - sadece istemler aracılığıyla sıfırdan bir bot yazmak.
 
Maxim Dmitrievsky bir bot yazmak.

Neden? Lilith'i geçmek için mi? Gerçi ne olurdu..... ... ... ... İsterdim)))))))))))))))))))))))) Becerikli ellerde gerçekten harika bir alet).

 
Valeriy Yastremskiy #:

Neden? Lilith'i geçmek için mi? Her ne kadar ..... ... ... ... sya)))))))) Doğru ellerde gerçekten harika bir araç).

Bu bir meta programlama seviyesi, ayrıca python'u mükemmel biliyor. Ayrıca kanepede uzanırken sesli komutlar da veriyorum. Sık sık fikirlerim oluyor, ancak bu kodu tekrar yazmak için çok tembelim :).
 
Maxim Dmitrievsky #:
Bu üst düzey programlama, ayrıca python'u mükemmel biliyor. Ayrıca kanepede uzanırken sesli komutlar veriyorum. Sık sık fikirlerim oluyor, ancak bu kodu tekrar yazmak için çok tembelim :)

Katılıyorum, doğru soru bir meta düzey))))

Peki ve kod yürütmenin doğruluğunu kontrol edin)
 
Valeriy Yastremskiy #:

Katılıyorum, doğru sorulmuş bir soru bir meta-seviyedir)))))

Peki ve kod yürütmenin doğruluğunu kontrol edin)
Bana sinirsel bir arayüz verin ki ağzımı oynatmak zorunda kalmayayım.
 
Bence bu bir bozulma.
 
mytarmailS #:

Verilerden birkaç "iyi" kural/strateji çıkarmak...

Tam adım

1) veri dönüşümü ve normalleştirme

2) model eğitimi

3) kural çıkarma

4) kural filtreleme

5) görselleştirme

hazır kod, sadece verilerinizi değiştirin



Soru şu ki, eğer "çalışan TC'leri" rastgele bulabiliyorsanız, gerçek veriler üzerinde bulunan TC'lerin rastgele olmadığını hangi yollarla kanıtlayabilirsiniz?

Alexey bunu burada yapıyor, acaba bu tür görevler için herhangi bir istatistiksel test var mı?

Bu tür problemler için matstat uygulamasındaki temel sorun, TC'lerin aranmasının çok sayıda varyant arasından seçim yapılarak gerçekleştirilmesidir. Geniş bir değişken kümesinden çok güzel bir şey seçmek her zaman mümkündür - basit bir örnekle bir keresinde burada fiyatları SB olarak modelleyerek, ticaret için haftanın iyi bir saatini her zaman "bulabileceğinizi" göstermiştim. Ve bu, aralarından seçim yapabileceğiniz yalnızca 120 varyanttır.

Matstat, seçilen TS'nin mutlaka kötü olduğunu söylemez, sadece böyle bir sonucun sadece SB'den seçimin sonucu olabileceğini (ZORUNLU DEĞİL) söyler.

 
mytarmailS #:

Verilerden birkaç "iyi" kural/strateji çıkarmak...

Başlangıçta bir hata alıyorum

> sw <- embed(x = close,dimension = 10)[,10:1] # make slide window data
Error in h(simpleError(msg, call)) : 
  ошибка при оценке аргумента '.data' при выборе метода для функции 'embed': argument ".data" is missing, with no default
 

Tamamen teorik bir soru ortaya çıkmıştır - bir ONNX modeli başka bir ONNX modelini türetmek için kullanılabilir mi? Örneğin, ilk model periyodik olarak yeni veriler üzerinde yeniden eğitmek ve çalışma modelini güncellemek için kullanılır. Yani, python vb. kullanmadan.

İlk bakışta, bunun mümkün olması pek olası değil, ancak birisinin böyle bir şey yapmaya çalışması durumunda.

Yapay zekadan anlamlı bir cevap almayı başaramadım - yapabileceğini yazıyor ve soruyla hiçbir ilgisi olmayan referanslara atıfta bulunuyor).

1...303530363037303830393040304130423043304430453046304730483049...3399
Yeni yorum