Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 129
![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Burada, açıkça heceler halinde, yaptığım şeyi çizdim:
Daha fazla ayrıntı: mevcut çubukta, satın alma, geleceğe yönelik en küçük çubuk sayısını sayma ve anlaşmanın karlı olup olmayacağını kontrol etme gibi bir satın alma sinyali, eğer öyleyse, kapatın, değilse, bir çubuk daha sayın ileri ve tekrar kontrol edin. Ve böylece maksimum çubuk sayısına kadar devam edin ve sonunda kapatın. Böyle bir öğrenme mekanizması.
Burada net olmayan ne? ... Bu bir fantezi değil, şimdi sadece bunu yapıyorum. Amaç fonksiyonu, minimum dezavantajlarla kar maksimizasyonudur. Genetiğimle öğretiyorum.
San Sanych Fomenko :
2. Uygulanması mümkün ve aynen böyle görünüyor mu?1. Ne öğretiyoruz?
1. Amaç fonksiyonu - minimum dezavantajlarla kar maksimizasyonu. Genetiğimle öğretiyorum.
2. Evet, çok basit.
R paketinin hangi dilde yazıldığını nasıl öğreneceğini bilen var mı?
Belgeler. R'deki Yardım'dan açıldı:
Ayrıca CRR ile yapılan çalışmalar detaylı olarak anlatılmıştır.
Beyler, benden yeni bir görev:
İşte .R biçiminde bir veri kümesi: https://drive.google.com/open?id=0B_Au3ANgcG7CcjZVRU9fbUZyUkE
Kümede yaklaşık 40.000 satır, 101 sütun vardır. En sağdaki sütun hedef değişkendir. Sol - 100 giriş.
İlk 20.000 gözlem için kalan 100 sütuna dayalı olarak 101. sütunun değerini tahmin eden bir regresyon modeli oluşturmaya çalışmanızı öneririm.
Kalan 20.000'den fazla gözlemde, oluşturulan model R^2'yi 0,5'ten daha kötü göstermemelidir.
Ardından veri üretme yöntemini ortaya koyuyorum ve çözümümü veriyorum.
İpucu, zaman serisi verileridir. Giriş 100 okuma, tahmin 1 önde. Bunlar fiyatlar, kotasyonlar veya bunların türevleri değildir.
Alexey
Vtreat paketi aracılığıyla tahmin edicilerin önemini bulmaya çalıştım. Ancak paket, öngörücüler arasındaki ilişkileri nasıl arayacağını bilmiyor, yalnızca öngörücü ile hedef arasındaki doğrudan ilişkileri hesaba katıyor ve bu tür bir görev için pek uygun değil.
Vtreat'in önemine bakılırsa, lag_diff_51 ve lag_diff_52 en kullanışlı olanlardır. Yavaş yavaş alınan listeye göre başka tahminciler ekledim, orman için eğitim verilerinde R ^ 2'nin büyümesine baktım. Sonuç olarak, bu tahmin edicilere karar verdim - 51, 52, 53, 54, 55, 17, 68, büyük olasılıkla hedefi hesaplamak için kullanılıyorlar. Onlarla eğitim verileri hakkında R^2> 0.9, ancak test ve doğrulamalarda her şey kötü. Şimdi bu öngörücülerle farklı matematiksel işlemler denemeniz, formülleri seçmeniz vb. gerekir, böylece R ^ 2 çapraz doğrulamada da büyür. daha fazla bakmayacağım :)
Daha sonra eklendi:
Biraz daha deney yaptım, var olanlardan farklı matematiksel işlemlerle bir sürü yeni tahminci yaptım. Hem vtreat hem de orman bu iki kombinasyona çok düşkündür: toplam(51.52) ve ortalama(51.52). Ama hedef değerin formülünü alamadım. Ve bu tahmin ediciler üzerinde eğitilmiş modeller de hiçbir şeyi yeterince tahmin edemez.
100 giriş? Kesinlikle.
Neden bin değil?
Beyler, sinir ağının ne olduğunu kesinlikle anlamıyorsunuz.
Vtreat paketi aracılığıyla tahmin edicilerin önemini bulmaya çalıştım. Ancak paket, öngörücüler arasındaki ilişkileri nasıl arayacağını bilmiyor, yalnızca öngörücü ile hedef arasındaki doğrudan ilişkileri hesaba katıyor ve bu tür bir görev için pek uygun değil.
Vtreat'in önemine bakılırsa, lag_diff_51 ve lag_diff_52 en kullanışlı olanlardır. Yavaş yavaş alınan listeye göre başka tahminciler ekledim, orman için eğitim verilerinde R ^ 2'nin büyümesine baktım. Sonuç olarak, bu tahmin edicilere karar verdim - 51, 52, 53, 54, 55, 17, 68, büyük olasılıkla hedefi hesaplamak için kullanılıyorlar. Onlarla eğitim verileri hakkında R^2> 0.9, ancak test ve doğrulamalarda her şey kötü. Şimdi bu öngörücülerle farklı matematiksel işlemler denemeniz, formülleri seçmeniz vb. gerekir, böylece R ^ 2 çapraz doğrulamada da büyür. daha fazla bakmayacağım :)
Daha sonra eklendi:
Biraz daha deney yaptım, var olanlardan farklı matematiksel işlemlerle bir sürü yeni tahminci yaptım. Hem vtreat hem de orman bu iki kombinasyona çok düşkündür: toplam(51.52) ve ortalama(51.52). Ama hedef değerin formülünü alamadım. Ve bu tahmin ediciler üzerinde eğitilmiş modeller de hiçbir şeyi yeterince tahmin edemez.
Ve yine de, 0.9 fazla uyuyor. Eğitim setinde 0,6'dan büyük R^2 gerçekçi bir maksimumdur.
Ayrıca etkileşimde bulunmayı unutmayın. Tek bağlantılar yanlış yöne yol açabilir.
Burada kendi sorunumu çözmeye çalışıyorum. Tek katman NS kullandım. R^2 testinde 0.148'den fazla değil. uymuyor...