Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 127

 
Alexey Burnakov :


Nasıl tanımladınız? Tahmin edicilerinizi o zaman bilinmeyen geleceğe kadar izlediniz mi?

Neden bilinen gelecek değil? Tarihte her şey bilinir. 1-10 parça üzerinde ders veriyorum, çapraz doğrulama ile kontrol ediyorum. Ve sonra 11, 12, vb. ile ilgili istatistikler alıyorum. parça ve 1-10 parça üzerinde aldığımla karşılaştırın. Onlar. gerçek ticaretin tam bir benzetmesi. Bu başlıkta bunu çok anlattım.
 
San Sanych Fomenko :
Neden bilinen gelecek değil? Tarihte her şey bilinir. 1-10 parça üzerinde ders veriyorum, çapraz doğrulama ile kontrol ediyorum. Ve sonra 11, 12, vb. ile ilgili istatistikler alıyorum. parça ve 1-10 parça üzerinde aldığımla karşılaştırın. Onlar. gerçek ticaretin tam bir benzetmesi. Bu başlıkta bunu çok anlattım.

Evet, işte ben böyle anladım.

Ve bu şekilde modelin kaç farklı varyasyonunu görüyorsunuz? 11, 12, vb. Model parçalar üzerinde antrenman parçasına göre daha kötü performans gösteriyor ve baştan mı başlıyorsunuz?

 
Alexey Burnakov :

Evet, işte ben böyle anladım.

Ve bu şekilde modelin kaç farklı varyasyonunu görüyorsunuz? 11, 12, vb. Model parçalar üzerinde antrenman parçasına göre daha kötü performans gösteriyor ve baştan mı başlıyorsunuz?

Varyasyon yaklaşık %2-3, ortalama %27-28'dir. Ortalamadan sapma olarak varyasyondur.

Yazdığınız şey öğrenme hatasını azaltmaktır. ben yapmadım Tahmincilerim için GBM en iyisidir, sonra ada. RF kullanıyorum. Ardından SVM'ler ve en kötüsü ağ gelir. Gördüğünüz gibi, en iyi modeli kullanmıyorum.

 
San Sanych Fomenko :

Varyasyon yaklaşık %2-3, ortalama %27-28'dir. Ortalamadan sapma olarak varyasyondur.

Yazdığınız şey öğrenme hatasını azaltmaktır. ben yapmadım Tahmincilerim için GBM en iyisidir, sonra ada. RF kullanıyorum. Ardından SVM'ler ve en kötüsü ağ gelir. Gördüğünüz gibi, en iyi modeli kullanmıyorum.

İyi tamam. San Sanych.

Tüm modelleriniz yaklaşık olarak eşit derecede doğrulanmışsa, tefle dans etmenize gerek yoktur.

Anlamanız için bilgileri paylaştım. Kullanıyorum, kendimi test ediyorum ve kendimi hatalardan koruyorum.

Bunun size yardımcı olup olmayacağını bilmiyorum.

Bence bilgi en gereksiz şey değil.

 
Alexey Burnakov :

İyi tamam. San Sanych.

Tüm modelleriniz yaklaşık olarak eşit derecede doğrulanmışsa, tefle dans etmenize gerek yoktur.

Anlamanız için bilgileri paylaştım. Kullanırım, kendimi sınar ve hatalardan korurum.

Bunun size yardımcı olup olmayacağını bilmiyorum.

Bence bilgi en gereksiz şey değil.

Tüm yazılarınızı ilgiyle takip ettim.

İyi şanlar.

 
San Sanych Fomenko :

Tüm yazılarınızı ilgiyle takip ettim.

İyi şanlar.

Teşekkür ederim.

Ancak, ticaretle pek ilgisi olmayan bir şeyi tahmin ettiğiniz izlenimine kapıldım. Modellerinizin bu kadar kolay %60-70'e ulaşıp yine de doğru sinyal vermesi olamaz. Yeniden eğitimle savaş halindeyiz ve verilere baktınız ve sadece sinyal olmadığını söylediniz. Çalışmanız Fisher'ın İris tahminine benziyor. Biraz utangaçlığı kaldırdım ve her şey kalıcı olarak çalışıyor. Meslektaşım, karmaşık süreçleri tahmin etmeye çalışmadınız. Çok fazla gürültünün olduğu yerde hemen reddedin. Ve müşterilerin parası dışında size faydası nedir, hiç belli değil.

Ayrıca, kendinden emin bir şekilde konuşmanıza rağmen, tahminlerinizin gelecek için nasıl çalıştığını bilmiyorsunuz.
 
Alexey Burnakov :
Teşekkür ederim.

Ancak, ticaretle pek ilgisi olmayan bir şeyi tahmin ettiğiniz izlenimine kapıldım. Modelleriniz bu kadar kolay %60-70'e ulaşıp yine de doğru sinyaller veriyor olamaz. Yeniden eğitimle savaş halindeyiz ve verilere baktınız ve sadece sinyal olmadığını söylediniz. Çalışmanız Fisher'ın İris tahminine benziyor. Biraz utangaçlığı kaldırdım ve her şey kalıcı olarak çalışıyor. Meslektaşım, karmaşık süreçleri tahmin etmeye çalışmadınız. Çok fazla gürültünün olduğu yerde hemen reddedin. Ve müşterilerin parası dışında size ne faydası var, hiç belli değil.

Ayrıca, kendinden emin bir şekilde konuşmanıza rağmen, tahminlerinizin gelecek için nasıl çalıştığını bilmiyorsunuz.

"Karmaşık süreçler" nedir, anlamıyorum. Terminaldeki alıntıya eklenmiş gerçek bir danışmanım var... Ne verirlerse onu çiğniyoruz.

TS'deki tahmini üç pencereli eski zaman diliminde kullandığımı zaten yazmıştım. Kıdemli TF yönü belirler. Ancak bunun yanı sıra, danışmanın amacı risk yönetimi olan oldukça geniş bir araç seti vardır. Bu nedenle, bir sonraki mumun ZZ yönüne ait olup olmadığını tahmin etmedeki hata yüzdesinin genel sonucu nasıl etkilediğini söyleyemem ve bununla da ilgilenmiyorum.

Bir önceki yazımı tekrarlıyorum. Belirli bir danışmanın belirli sorunlarını çözmek için özellikle makine öğrenimi olmak üzere R'den gelen araçları kullanmaya çalışıyorum. Genel olarak değil, özel olarak. Diğer TS'de yaklaşımlarımın işe yaramayacağı muhtemeldir.

Gelecek için..

Aralık ayından beri çalışıyor, uçuş normal. Uzman Danışman'da bu yerde bulunan göstergeden farklı olarak, yeniden eğitilmesi hakkında en azından bazı hususların bulunduğu bir araç var. Gecikmeyi ortadan kaldırdı. Bir kaç? İleriye doğru büyük bir adım. Bu nihai gerçek mi? Tabii ki değil.

 
Alexey Burnakov :

Evet.

10 kat üzerinde M1 çapraz doğrulamalı bir eğitim döngüsü, doğru anlıyorsunuz. Öğrenme parametrelerinin her bir kombinasyonu için: 9 kat öğreniyoruz, ertelenmiş olarak kontrol ediyoruz. Yani 10 kez. 10 bekleyen kıvrım için kalite metriğinin ortalama değerini alıyoruz. Bu değere m1 diyelim.

Benzer bir şey yapıyorum ama test penceresini değil, eğitim penceresini hareket ettiriyorum. Ortada, her zaman hareketli bir eğitim pencerem olacak ve test verileri onu her iki tarafta çerçeveliyor. Bağımlılıklar zaten kararsızsa ve bazı "hakim dönemler" sürekli olarak ileri geri yüzüyorsa (mytarmailS'e göre, kendim nasıl frekans ve Fourier bilmiyorum) - o zaman aşırıdan öğrenmenin bir anlamı olmadığını düşünüyorum ( zaman) durumları ve aşırı seçeneklerden bir model tarafından tahmin edilebilecek ortada bir şey üzerinde test edin. Eğitim için verilerin %50'sinden çok daha azını alıyorum, bu yüzden sorun değil (en azından daha kötü değil)

Bu resimdeki dış döngü gibi bir şey kullanıyorum ama mavi olan üzerinde çalışıyorum ve gri olan üzerinde test ediyorum. Eğitim için aldığım seri verilerin %30'u ne olursa olsun, modelin geri kalan veriler üzerinde kârlı bir şekilde işlem yapabilmesini sağlamaya çalışıyorum. Bir teori var, eğitim için ardışık verilerin herhangi bir %10'unu kullanarak, tüm dönem için iyi işlem gören bir modeli eğitebilirsem, o zaman yeni verilerde de her şey yoluna girecek.

 
Andrey Dik :

Yöntem aşağıdaki gibidir (aşağıdakilerin tümü hem ML hem de klasik TS için eşit olarak geçerlidir).................

Üç kez tekrar okudum, hayatım boyunca anlamadım ((

1) Yol boyunca, bu en saf haliyle MO değil, olduğu gibi, giriş sinyallerine sahip bazı mevcut TS'lerin bir iyileştirmesidir ve sadece bu girişlerde giriyoruz ve zaten bu girişleri MO'yu doğru analiz ediyoruz ?

2) Bir kar olduğunda, anlaşmayı kapatırız. Bir ticaret zarar gördüğünde pozisyonu koruyoruz, neden yeryüzünde?

3) Ne zaman alınır, ne zaman satılır?

Küntleşmeyi biliyorum, zaten böyleyim) ama yazdıklarınızdan gerçekten bir şey anlamadım, belki bir çeşit resim veya bir çeşit pire şeması gösterebilirsiniz..

 

Bir bloga denk geldim ve neredeyse gözyaşlarına boğulacaktım, bir zamanlar benim aklıma gelen ve uygulamaya karar verdiğim fikrin neredeyse aynısını bir kişi yapıyordu ve bu fikirle yaklaşık bir yıl önce programlama öğrenmeye başladım.

https://www.r-bloggers.com/time-series-matching-with-dynamic-time-warping/

Ve fikrimin benzersiz olduğunu düşündüm))) gençlik, saflık ... kesinlikle DTW kullanmadım, çünkü o zaman hiçbir şey anlamadım

Time Series Matching with Dynamic Time Warping
  • systematicinvestor
  • www.r-bloggers.com
THIS IS NOT INVESTMENT ADVICE. The information is provided for informational purposes only. In the Time Series Matching post, I used one to one mapping to the compute distance between the query(cur…