Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2586
![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
))))
her şeyi birleştiriyorum)
Logloss, özellikler ile hedef arasındaki karşılıklı bilgi miktarını anladığım kadarıyla gösteriyor. Bu, bağımlılık biçiminin bir açıklaması olmaksızın en objektif f-I'dir. Model, bu tür bilgilerin kaybını en aza indirecek şekilde eğitilmiştir, özellikle bu şekilde güçlendirme çalışmaları. Özel olanın üzerine oraya ne eklersiniz - eğitim sırasında duracaktır
Görünüşe göre, mantık, binom dağılımı için maksimum olabilirlik ilkesine dayalı olarak türetilmiştir. Matematikte, maksimum olabilirlik ilkesi, deneyler için bazı teorik gerekçeler olabilen M-tahminleri biçiminde genişletilir ve genelleştirilir (ancak elbette başarılarının garantisi değildir).
Görünüşe göre, mantık, binom dağılımı için maksimum olabilirlik ilkesine dayalı olarak türetilmiştir. Matematikte, maksimum olabilirlik ilkesi, deneyler için bazı teorik gerekçeler olabilen M-tahminleri biçiminde genişletilir ve genelleştirilir (ancak elbette başarılarının garantisi değildir).
Muhtemelen çapraz entropi ile karıştırılır, ancak daha çok çoklu sınıf için kullanılır.
Mantıksal minimumun teorik değerinin entropi ile örtüştüğüne dair bir şey var gibi görünüyor.
Her halükarda, kendi fonksiyonum üzerinden ek bir değerlendirme yapmakta bir sakınca görmüyorum, zaten tamamen bilançodan hareket ediyorum.
Muhtemelen. Sadece konuyla ilgili çok sayıda makalenin olmaması utanç verici) Muhtemelen balık avlama noktalarını ortaya çıkarmaktan korkuyorlar)
Mantıksal minimumun teorik değerinin entropi ile örtüştüğüne dair bir şey var gibi görünüyor.
Muhtemelen. Sadece konuyla ilgili çok sayıda makalenin olmaması utanç verici) Muhtemelen balık avlama noktalarını ortaya çıkarmaktan korkuyorlar)
Prado'nun makalesinin web sitesinde bu konuyla ilgili birçok ilginç şey var. Arka brülöre koydum ama daha sonra zevkle okuyacağım. En aklı başında yazarlardan biri)
Evet yazılarına bakmalısın. Yine de birkaç tane var.)
Standart bir metriği özel olanla birleştirme fikriniz ile ilgili olarak, çapraz entropiye göre inşa edildiği ve budamanın hata sıklığına göre yapıldığı bir ağaç fikrini hatırladım. Muhtemelen, frekans yerine metriğinizi almayı deneyebilirsiniz.
Bilgileri paylaşabilirsiniz:
1. Bazen.
2. İçeride, dışarıda.
3.
3.1. Etkinlik abonelikleri. Böylece MQL5'tekiyle aynı olaylar belirli işleyici yöntemlerini tetikler.
3.2. Backtester'da çalıştırabilmeniz için python'da (bir uygulama türü olarak) stratejiler yazma yeteneği.
3.3. Bazı hazır MQL5-Python etkileşim mekanizması. Python, mt5 ile her iki yönde de etkileşime girebilir, MQL5 her iki yönde de etkileşime girebilir, MQL5, terminal ile tek bir birimdir ve
ticaret işlevleri ve benzerleriyle çalışmak, ancak veri bilimi alanında endüstrinin en iyi çözümleriyle nasıl rahat çalışacağını bilmiyor. Python, veri biliminde endüstri standardıdır - pandalar, numpy, TensorFlow, Keras, PyTorch, vb., ancak platforma çok daha az "tüccar" entegrasyonu. Bu iki kuvveti entegre etmek için standart araçlara sahip olmak harika olurdu - mt5'te bir Python betiğini asmak gibi bir şey ve betikte model bekliyor, buhar altında duruyor veya bir model havuzu, veri ön işlemeyle ilgili işlevler, vb. Ve bir MQL5 uygulaması var, işini yapan ve gerektiğinde bu komut dosyasından ML işlevselliğine hızlı ve koltuk değneği olmadan erişen bir strateji.
Quantstrat stratejilerini geriye dönük test etmek için R paketini kullanan var mı?
Hız açısından nasıl biri?
Dürüst olmak gerekirse, pek bir şey anlamadım. Soru şu ki, olasılık zamanla değişir mi? Bunu araştırmak için, zaman içinde bir lojistik regresyon çalıştırılabilir (ve sıfır olmayan katsayının önemi test edilebilir).
Zamana ek olarak, olasılığı etkileyen diğer faktörler de incelenirse, lojistik regresyona eklenmeye çalışılabilir.
Ya da belki bir tahminci daha yapmak daha kolaydır - veri hattının mevcut olandan uzaklığı. Ormanın kendisi, 8 aydan eski verilerin mevcut tahmin için kötü olduğunu hesaplayabilir. Ve basit bir bölünme olacak: 8 aya kadar (daha iyi yapraklarla) ve 8 ay sonra daha kötü yapraklarla.
Eh, trende, hepsi kesinlikle iyi öğrenirler. Test / çapraz doğrulamada kontrol etmek gereklidir. Ama nasıl? belirsiz. Bu, tahmin edicinin önemi bile değil, bölünmenin önemi.
Bugün, mevcut çubuktan böyle bir mesafe tahmincisi ekledim. Bir sayı veya sadece bir zaman olabilir. zaman ayırdım.
Deneysel olarak, 1 aylık eğitim veri seti için geçmişin uzunluğunun en iyi ileriyi verdiğini buldum.
İlk veri satırından bir mesafe tahmincisi eklemenin yardımcı olacağı varsayımının yanlış olduğu ortaya çıktı. Uygulamada, forvet sadece 1 aylık verilerle, 2 ve 10 ile kötüleşti.
2 aylık bir veri gönderdiğimizi, ağacın 1 aylık bir bölünme bulduğunu ve dallarından birinin deneysel olarak seçilen 1 aylık geçmiş uzunluğu ile aynı veriler üzerinde eğitildiğini varsayalım. Ve diğer ay da verilerinden öğrendi. Ve iyi öğrendi, fena değil (başlangıçta önerdiği gibi). Bir forvet için kötü olacak, ama sadece trende öğrenecek. Sonuç olarak, model her iki ay için sonuçların ortalamasını alır ve ileri, yalnızca 1 ay boyunca antrenman yaptığından daha kötü olur.
Sonuç: küresel saat veya satır numarası sağlanamaz. Döngüsel zaman seçenekleri: haftanın gün sayısı, saat, dakika yararlı olabilir - kontrol etmeniz gerekir.
Her bir hedef (ve/veya tahmin ediciler grubu) için eğitim geçmişinin uzunluğunun seçilmesi/optimize edilmesi gerekecektir.
İşaretli "Döngü zamanı seçenekleri: haftanın gün sayısı, saat, dakika yararlı olabilir - kontrol etmeniz gerekir."
Dakikaların neredeyse hiç etkisi yok, değişiklikler %0,5'ten fazla değil
Haftanın saatleri ve günleri etkilenir. Değişiklikler yaklaşık% 3-5'tir.
Aynı anda 2 model inşa ediyorum: 1 satın almak, 2 satmak için.
Satın alınan modeller zamansız %4-5 oranında daha iyi çalışır ve satış modelleri aynı %4-5 oranında zamanla daha iyi çalışır. %5 gibi programa göre satılır ve diğer ilkelere göre satın alınır.