Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2630

Yeni yorum
 
Maxim Dmitrievsky # :
Önceden bilinmeyen bir tür yaratıcı yaklaşım
Karlı TS işlemleri bir kalıba işaret etmelidir. Sadece fiyat/zaman kullanıyorsa, uydurma/montaj mümkün görünüyor.
Her şey tahmin edilebilir ve TS, yaklaşıklık olmadan kodda açık bir mantıktır.
 
mytarmailS # :
Her şey tahmin edilebilir ve TS, yaklaşıklık olmadan kodda açık bir mantıktır.
Açık mantık bizim için bilinmiyor, sayın .. bu derleme değil. “Görüntüde ve benzerlikte” bulanık kalır. abibas spor ayakkabı
 
Maxim Dmitrievsky # :
Açık mantık bizim için bilinmiyor, sayın .. bu derleme değil. “Görüntüde ve benzerlikte” bulanık kalır. abibas spor ayakkabı

karoch, iki arabayı geçme stratejisini alırsanız ve modelde kavşağın doğrudan bir işaretini vermezseniz.

Pek iyi tanımıyor hatta şaşırdım bile ama bu en ilkel algoritma..

mavi orijinal sinyal, kırmızı tahmin

Reference
Prediction   0    1
         0 106    4
         1    1    89
                                          
               Accuracy : 0.975            
                 95 % CI : ( 0.9426 , 0.9918 )
    No Information Rate : 0.535            
    P-Value [Acc > NIR] : < 2 e- 16           
                                          
                  Kappa : 0.9496     


Ve eğer normalleştirmeler olmazsa, o zaman genel olarak 

Prediction   0    1
         0    96    0
         1    0 104
                                     
               Accuracy : 1           
                 95 % CI : ( 0.9817 , 1 )
    No Information Rate : 0.52        
    P-Value [Acc > NIR] : < 2.2 e- 16   
                                     
                  Kappa : 1           
x <- cumsum(rnorm( 10000 ))

m5 <- TTR::SMA(x, 5 )
m15 <- TTR::SMA(x, 15 )

X <- matrix (ncol = 2 0 ,nrow = length(x))

for (i in 20 :length(x)){
  ii <- (i- 19 ):i
  X[i,] <- m5[ii] - m15[ii]
}


Yn <- (m5>m15)* 1
Y <-   as .factor(Yn)

tr <- 50 : 9800
ts <- 9801 : 10000

library (randomForest)
rf <- randomForest(Y[tr]~., X[tr,])
pr <- predict(rf ,X[c(tr,ts),])

prN <- as .numeric( as .character(pr))

par(mar=c( 2 , 2 , 0 , 0 ))
layout( 1 : 3 , heights = c( 10 , 1 , 1 )) # Heights of the two rows
      
plot(tail(x, 200 ),t= "l" ,col= 8 )
lines(tail(m5[c(tr,ts)], 200 ),col= 2 ,lwd= 1 )
lines(tail(m15[c(tr,ts)], 200 ),col= 4 ,lwd= 1 )
plot(tail(Yn, 200 ),t= "h" ,col= 4 ,lwd= 2 )
plot(tail(prN, 200 ),t= "h" ,col= 2 ,lwd= 2 )


caret::confusionMatrix(predict(rf ,X[ts,]) , Y[ts])
 
mytarmailS # :

karoch, iki arabayı geçme stratejisini alırsanız ve modelde kavşağın doğrudan bir işaretini vermezseniz.

Pek iyi tanımıyor hatta şaşırdım bile ama bu en ilkel algoritma..

mavi orijinal sinyal, kırmızı tahmin


Ve eğer normalleştirmeler olmazsa, o zaman genel olarak

Pekala, sorun değil, raporları nasıl ayrıştıracağınızı bulmanız ve onları Mashek'iniz gibi kullanarak basit TS'yi taklit etmeye çalışmanız gerekiyor, evet. Biraz meşgul olsa da tema güzel
 
mytarmailS # :

karoch, iki arabayı geçme stratejisini alırsanız ve modelde kavşağın doğrudan bir işaretini vermezseniz.

Pek iyi tanımıyor hatta şaşırdım bile ama bu en ilkel algoritma..

mavi orijinal sinyal, kırmızı tahmin


Ve eğer normalleştirmeler olmazsa, o zaman genel olarak

MA Expert Advisor'ın neleri, hangi periyotları kullandığını önceden bilemezsiniz. Veya başka herhangi bir gösterge kullanılır.
Modeli MA'lar (X) üzerinde değil, ham tırnaklar (x), örneğin 100 çubuk üzerinde eğitmeye çalışın (kara kutudan MA dönemlerini bilmiyorsunuz, yalnızca kaç çubuğun kullanılabileceğini tahmin edebilirsiniz. ).

Y, araştırdığınız Uzman Danışmanınız tarafından verilendir.

 
elibrarius # :

MA Expert Advisor'ın neleri, hangi periyotları kullandığını önceden bilemezsiniz. Veya başka herhangi bir gösterge kullanılır.

Bana neyi yapıp neyi yapamayacağımı söyleme, "Nasıl yaparsın bilmiyorum" de, dürüst olacak

 
elibrarius # :


Modeli MA'larda (X) değil, ham tırnaklarda (x) eğitmeye çalışın

ham olarak fena değil

 Reference
Prediction   0    1
         0    72    2
         1    5 121
                                          
               Accuracy : 0.965            
                 95 % CI : ( 0.9292 , 0.9858 )
    No Information Rate : 0.615            
    P-Value [Acc > NIR] : < 2 e- 16           
                                          
                  Kappa : 0.9255     
 
mytarmailS # :

ham olarak fena değil

Bu daha ilginç...
 
mytarmailS # :

ham olarak fena değil

MO gerçekten burada gerekli mi?

 

Benim sonuçlarım. Kim deşifre edebilir, aferin, neyin ne olduğunu çoktan unuttum.

Başka bir test durumu, ma ve fiyatın kesişimi. Son birkaç çubuğun artışları girdi olarak kullanılır ve ticaret yönü (1-al, 0-sat) çıktıdır. Temel ağ parametreleri: Tanh ile 1 Yoğun katman. 1 dönem, parti=32. kazanç - MA dönemi başına girdi sayısı, toplam - eğitim örneklem büyüklüğü. Ağ 1 epoch'ta eğitilir, böylece eğitim sırasında tekrarlanan örnekler olmaz. Doğrulama, dikey olarak ters çevrilmiş (*-1) bir eğitim setinde gerçekleşir. Test, ayrı bir bağımsız örnek üzerinde yürütülür. Hepsi toplam eşittir. Per<=win ile ağ, ağın gizli kalıpları arayabildiğini kanıtlamak için gerekli olan yüksek doğruluk gösterir.

Küçük ağlar için (<1000 nöron) işlemci başına hesaplama, gpu başına olduğundan daha hızlıdır. Batch = 8192 ile hesaplamalar aynı anda yapılır. 1 ve 100 gizli nöron içeren bu test durumu aynı zamanda sayılır. İşlemci için, çift ve tek hassasiyet aynı anda kabul edilir, sonuçlar karşılaştırılabilir. Farklı aktivasyon türleri yaklaşık olarak aynı zamanda hesaplanır ve karşılaştırılabilir sonuçlar verir. Kazanmanın boyutu zamanı büyük ölçüde etkilemez. parti=1 ile toplam=10^6 18 dakika olarak sayılır. Parti ve zaman arasındaki ilişki doğrusaldır.

Örnek boyutu doğruluğu. toplu=1 , başına=100, kazanç=100. İlk sütun - numune boyutu (toplam), 2 - min.sn. süresi, 3 - test doğruluğu, 4 - dizi doğruluğu, 5 - doğrulama doğruluğu.
1m 18.49 99. 98.7 99.
100k 1.54 98,5 97,3 98,6
10k 0.11 97.8 88,4 98,1
1k 0.01 71,2 62,1 66,5

Girişe gürültü ekleme. toplam=10^6, toplu=32 , başına=10, kazanç=10. İlk sütun, girişten gelen gürültünün oranıdır, 2 - testte doğruluk, 3 - trende doğruluk, 4 - doğrulamada doğruluk.

0.001 99.8 98.1 99.8
0,01 99,6 98,2 99,6
0.1 96.8 96,1 96,8
1 74,9 74,2 75,1

Giriş sayısı ve hata. toplam=10^6, toplu iş=32 , başına=100. test doğruluğu, tren doğruluğu, doğrulama doğruluğu.

galibiyet=150: 99,5 98,7 99,5

galibiyet=100: 99.6 98.8 99.6

galibiyet=90: 98,9 98,2 98,9

galibiyet=80: 97,2 96,6 97,2

galibiyet=70: 94,8 94,3 94,8

galibiyet=60: 92,0 91,6 91,9

galibiyet=50: 88.6 88.2 88.6

galibiyet=20: 74,7 74,4 74,7

Ağırlık çizelgeleri. 1 giriş nöronu. ma(100) 100 giriş solda, ma(50) 100 giriş sağda


1...262326242625262626272628262926302631263226332634263526362637...3399
Yeni yorum