Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2642

Yeni yorum
 
Maxim Dmitrievsky #:
Diğer yöntemlerle birleştirildiğinde bir işe yarayabilir.
Nasıl yani?
 
mytarmailS #:
Ne oldu?
Henüz yapmadım. Karmaşık bir mantığım var, nereye koyacağımı bulmam lazım.
 

Ben de böyle bir işaret aldım. İlişkilendirin, çünkü taban birbirine yakın büyüklükteki artışlardır.


örnek formül: fiyat - MA(n) * std(n) * coef, burada MA ve std - hareketli ortalama ve keyfi düzenin standart sapması ve seviyelendirme katsayısı, ne kadar büyükse - seri o kadar durağan olur. Bu durumda, 50000'dür.

bazı nedenlerden dolayı MO'm istikrarı sadece artışlardan daha iyi gösteriyor

coef 20 ile.

Kesirli farka benzer bir şey olduğu ortaya çıkıyor, ancak anında sayılıyor.

Belki birisi başka seçenekler düşünebilir

 
Maxim Dmitrievsky #:

Ben de böyle bir işaret aldım. İlişkili, çünkü taban birbirine yakın büyüklükteki artışlar

Bu eğriler genel olarak nedir?

Maxim Dmitrievsky #:

belki birisi başka seçeneklerle gelir

İşte başlıyoruz, sembolik gerileme kurtarmaya

 
mytarmailS #:

Bu falsolu toplar da neyin nesi?

Sembolik regresyon imdadımıza yetişti.

Formül yazılmıştır.
Alıntıların cf kullanılarak durağan seriye nasıl yaklaştırılacağına dair bir varyant önerin
 
Maxim Dmitrievsky #:
Formül şu şekilde yazılır
Alıntıların cf aracılığıyla durağan seriye nasıl yaklaştırılacağına dair bir varyant önerin

Bir şey atacağım, size SR olmadan daha basit bir örnek göstereceğim.

 
mytarmailS #:

Sadece bir şeyler atacağım ve size SR olmadan daha basit bir örnek göstereceğim.

Burada tek bir varyantla yapamazsınız, nitelikler oluşturmanız ve bunları kontrol edip eğitmeniz gerekir.

Ancak işaretler aptalca değil, en azından bir şekilde anlamlı olmalı, aksi takdirde sonsuza kadar devam edebilirsiniz.
 
Maxim Dmitrievsky #:

SR ile kodlama ve planlama daha fazla zaman alıyor, bu yüzden basitlik, hız ve netlik için basitleştirdim...

Gerçek zamanlı olarak bir formül oluşturmak yerine, bir "formül sonucu" - bir eğri oluşturuyorum ve ardından bunu model için bir hedef olarak kullanıyorum.


Fiyat ile model çıktısı arasındaki korelasyonu maksimize eden bir uygunluk fonksiyonu oluşturuyorum, ancak model çıktısının bir sınırlaması var: sadece -1 ile 1 arasında olabilir.

Yani, fiyatla korelasyon göstermesi gereken, ancak statik değerlerin sınırları içinde "sıkıştırılmış" bir seri elde ediyoruz. Dickie Fuller ve benzerlerine göre gerçek bir durağanlığa ihtiyacınız varsa, uygunluk fonksiyonunu ihtiyacınız olan şekilde değiştirmeniz yeterlidir.



veri oluşturun ve modeli genetik ile eğitin

par(mar=c(2,2,2,2))
#  для простоты Создаю цену 
P <- cumsum(rnorm(300))
plot(P,t="l")

hankel <- function(x,n) embed(x, n)[ ,n:1]
#  Создаю данные для обучения Х ,скользящее окно виде матрицы
X <- t(apply(hankel(P,11),1,function(x) cumsum(diff(x))))
P <- tail(P,nrow(X))

#  Делаю разметку индексов для трейн и тест и валидации
tr <- 1:100
ts <- 1:200
al <- 1:nrow(X)

library(randomForest)
#  Создаю фитнес сункцию , подбираем генетикой для фореста такой таргет чтобы 
#  на выходе был максимально коррелированый с ценой ряд
fit <- function(Y){
set.seed(123)
rf <- predict(  randomForest(Y~.,X[tr,],ntree=100) ,   X[ts,])
return( cor(rf, P[ts]) )}

library(GA)
GA <- ga(type = "real-valued", 
         fitness =  fit,
         lower = rep(-1,100), 
         upper = rep(1,100), 
         popSize = 100,
         maxiter = 100,
         run = 40)
plot(GA)
GA_Y <- tail(GA@solution,1)[1,]

modeli test edin.

#  Получаем нашу модель которая делает то что нужно
set.seed(123)
rf <- predict(  randomForest(GA_Y~.,X[tr,],ntree=100) ,   X[al,])

layout(1:2)
plot(P,t="l",main="original price") ; abline(v=c(100,200),lty=2,col=c(3,4))
plot(rf,t="l",main="model out") ; abline(v=c(100,200),lty=2,col=c(3,4))
abline(h=0,col=3,lty=3)

layout(1:2)
plot(P,t="l",main="original price") ; abline(v=c(100,200),lty=2,col=c(3,4))
plot(cumsum(rf),t="l",main="model out cumsum") ; abline(v=c(100,200),lty=2,col=c(3,4))

Dikey çizgiler eğitme, test etme ve doğrulama ayrımlarıdır.


Resimde görebileceğiniz gibi, model fiyatı girdi olarak almayı öğrenmiştir ve çıktı, fiyatla ilişkili istatistiksel bir seridir.

Daha iyi anlaşılması için model çıktısının kümülatif bir toplamını yapabiliriz.


bunun gibi )))) Ve hiçbir şey icat etmenize gerek yok, her şey otomatik olarak yapılabilir.

 
mytarmailS #:

SR ile kod ve planlama için daha fazla zamana ihtiyacınız var, bu yüzden basitlik, hız ve netlik için daha basit hale getirdim.

Gerçek zamanlı olarak bir formül oluşturmak yerine, bir "formül sonucu" - bir eğri oluşturuyorum ve ardından bunu model için bir hedef olarak kullanıyorum.


Fiyat ve model çıktısı arasındaki korelasyonu maksimize eden bir uygunluk fonksiyonu oluşturuyorum, ancak model çıktısının bir sınırlaması var: sadece -1 ile 1 arasında olabilir.

Yani, fiyatla ilişkili olması gereken, ancak durumsal değerlerin sınırları içinde "sıkıştırılmış" bir seri elde ederiz. Dickie Fuller ve benzerlerine göre gerçek durumsallığa ihtiyacımız varsa, uygunluk fonksiyonunu ihtiyacımız olan şekilde değiştiririz.



veri oluşturun ve modeli genetik ile eğitin

modeli doğrulayın

Dikey çizgiler eğitim, test ve doğrulama ayrımlarıdır.


Resimde de görebileceğiniz gibi, model fiyatı girdi olarak almayı öğrenmiştir ve çıktı, fiyatla korelasyon gösteren istatistiksel bir seridir

Daha iyi anlaşılması için model çıktısından kümülatif bir toplam yapabiliriz


bunun gibi )))) Ve hiçbir şey düşünmek zorunda değilsiniz, her şey makinede yapılabilir

İlginç, bunu daha sonra düşünmeye çalışacağım, bugün kanlı bir mary, düşünmek zor.
 
Maxim Dmitrievsky #:
İlginç, daha sonra düşünmeye çalışacağım, bugün kanlı bir mary içiyoruz, düşünmek zor.

Python'da kaç satır alacağını merak ediyorum.....

µl'de muhtemelen binlerce))))))))))))))))))))))))))))

1...263526362637263826392640264126422643264426452646264726482649...3399
Yeni yorum