Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1205

 
Aleksey Nikolaev :

Neden artışları değil de fiyatlar?

artışlar mümkün, ne kadar iyi bilmiyorum .. ve numunenin uzunluğu değişebilir .. tüm bunlarla çok fazla yaygara

orada yorumlanabilirlik hakkında ekledim .. o zaman yorumlanacak ne var? bir metrik
 
FxTrader562 :

merhaba özdeyiş

Burada tartıştığınız yeni bir makale var mı?

Eğer bana link verebilir misin?

Merhaba, henüz yayınlanmadı, moderasyon bekleniyor

 
FxTrader562 :

Tamam, istersen, bana bir göz atabilmem için kodu verebilirsin.

makale için beklerseniz daha iyi, çünkü çok fazla versiyonum var

 
mytarmailS :

Bir de bağımlılık var...

Geri dönüşler konusunda "HMM" (gizli Markov modeli) eğitimi aldı, öğretmen olmadan öğretilenler ve kendisinin farklı dağılımlara ayırdığı 10 eyalete bölünmüş


eyalet dağılımları


Ve burada getirileri eyaletlere göre grupladım, her satır ayrı bir piyasa durumu

Bazı durumlarda (1,4,6,8,9) çok az gözlem vardır, bu nedenle hiç algılanamazlar.

Ve şimdi seriyi geri yüklemeye çalışacağım, kümülatif bir toplam yapmak için aniden, bazı eyaletlerde bir tür eğilim var - bu yöndeki modeller

Kümülatif bir toplam yaptı

5 ve 7 numaralı eyaletler, koy için 5 ve köy için 7, istikrarlı bir yapıya sahiptir.

Sonunda doğru yoldasın :)

tüm bu çöpleri temel numaralandırma ile kaba zorlamaya ve en iyi modeli seçmeye devam ediyor

mantıksal sonuçlar ve harika bir kesinti yöntemi asla karlı bir plan seçmez, çok fazla değişken vardır
 
Maksim Dmitrievski :

Sonunda doğru yoldasın :)

tüm bu çöpleri temel numaralandırma ile kaba zorlamaya ve en iyi modeli seçmeye devam ediyor

mantıksal sonuçlar ve harika bir kesinti yöntemi asla karlı bir plan seçmez, çok fazla değişken vardır

sadece bir şaka, en sık değişen bu durumlar 5 ve 7.


durum geçiş grafiği


Ve bunları takas ederseniz böyle görünür. Kırmızı oturdu ve mavi satın


 
Maksim Dmitrievski :

şimdi optimize edilmiş parametrelere sinyallerin dağılımlara bağımlılığını eklemek istiyorum, bunu bir başlangıç için yaptım, bkz.

basıklık belirli bir değerden yüksekse (optimize edilebilir), o zaman düz bir durum gözlemlenir ve aynı olasılıkla alım / satım yapmak (ve ardından yanlış olanları düzeltmek) mümkündür.

asimetri boyunca, herhangi bir yönde varsa, o zaman alım veya satım sinyali olasılığı kaydırılır

peki, bu bir ilkel, ancak bunun gibi bir şey, optimize edicideki hedefleri seçmek için kullanılabilir

Metriklerden elde edilmesi gereken tek şey, test setindeki (ve eğitim setindeki öğrenme) sınıflandırma hatasıdır. Optimize edici hiperparametreleri yineler ve en küçük hataya sahip modeli seçer . Burada yorumlanamayan nedir? sadece test verilerindeki hatalara bakarak böyle bir modelin genelleme yapıp yapamayacağını bilmek yeterlidir.

böyle bir saçmalık üzerinde bir çalışma örneği, az önce yaptım


Soru, sonuç olarak seçilen (aslında ticaret yapacak olan) modelin yorumlanabilirliğidir.

 
mytarmailS :

sadece bir şaka, en sık değişen bu durumlar 5 ve 7.


durum geçiş grafiği


Ve bunları takas ettiğinizde böyle görünüyor. Kırmızı oturdu ve mavi satın


peki, her şeyi RL üzerinden yapın, Markov modelinin bir şey tarafından yaklaşıklaştırılması gerekiyor

 
Aleksey Nikolaev :

Soru, sonuç olarak seçilen (aslında ticaret yapacak) modelin yorumlanabilirliğidir.

endüktif modeller, kural olarak, genetik programlamanın, sinir ağlarının parçalara ayrılmasının uzun zaman aldığı şeklinde yorumlanmaz.

python ve R muhtemelen karşılık gelen paketlere sahiptir

ağaçlar için örnek
How to visualize decision tree
How to visualize decision tree
  • explained.ai
Decision trees are the fundamental building block of gradient boosting machines and Random Forests(tm), probably the two most popular machine learning models for structured data. Visualizing decision trees is a tremendous aid when learning how these models work and when interpreting models. Unfortunately, current visualization packages are rudimentary and not immediately helpful to the novice. For example, we couldn't find a library that visualizes how decision nodes split up the feature space. So, we've created a general package (part of the animl library) for scikit-learn decision tree visualization and model interpretation.
 
Maksim Dmitrievski :

peki, her şeyi RL üzerinden yapın, Markov modelinin bir şey tarafından yaklaşıklaştırılması gerekiyor

Neden yaklaştıralım? zaten Viterbi algoritması tarafından bir küme olarak 10 duruma bölünmüş, aslında

Şimdi, iade yapmadan önce fiyatın bir şekilde yaklaşık olarak hesaplanması gerektiğini düşünüyorum, yoksa iade yapmıyor mu? yine de düşünmek gerek

 

Bu arada, herhangi biri "smm" ile oynamak isterse, o zaman R'de kod ve örnekler içeren bir makale.

http://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/

Hidden Markov Models – Examples In R – Part 3 of 4
Hidden Markov Models – Examples In R – Part 3 of 4
  • 2014.09.07
  • GekkoQuant
  • gekkoquant.com
This post will explore how to train hidden markov models in R. The previous posts in this series detailed the maths that power the HMM, fortunately all of this has been implemented for us in the RHmm package. HMMs can be used in two ways for regime detection, the first is to use a single HMM where each state in the HMM is considered a “regime”...