Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 509

[pantural]

Alexey Terentev :
~24 eğitim çalıştırmasında OHLC -> Al/Sat (7000 bar) modeline göre sınıflandırma problemindeki ağ [64 GRU + 32 GRU + 2 Yoğun] 0,9 - 0,8 doğruluk verir. Ve tüm bunlar 30 saniye içinde.

İşaretlerde ve dışarıda neler var?

[Aleksey Terentev]

pantural :
İşaretlerde ve dışarıda neler var?

"OpenHighLowClose -> Al/Sat"

güncelleme: al/sat sinyali bu konuya zaten gönderilmiş.

[Aleksey Terentev]

elibrarius :
Ve bu sonuçlar ticarette nasıl? Mevduatın aylık/yıllık büyümesi nedir? 7.000 barda değil de 100.000'de antrenman yapıyorsanız?

Ticaret meyvesini vermedi. Otomasyonla meşgul.

Ayrıca, bir sinir ağı modeli seçme süreci oldukça titizdir. Katmanlardaki etkinleştirme işlevlerinin türünü, hata işlevini, eğitim yöntemini ve çıktının doğru ön hazırlığını ve ayrıca bir dizi başka ML nüansını hesaba katmak gerekir. Tüm eğitim, her sinyali [-1;1] aralığında çok hızlı bir şekilde 0'a indirebilir.

Bu nedenle sonuçları paylaşmak için acelem yok.

[Vizard_]

Grigory Chaunin :

Bir L2 normalleştirme formülüne ihtiyacımız var. Onu bulamıyorum. Belki birisi yardım eder.

https://www.mathworks.com/matlabcentral/answers/65580-what-mean-l2-norm
https://www.tensorflow.org/api_docs/python/tf/nn/l2_normalize
https://rorasa.wordpress.com/2012/05/13/l0-norm-l1-norm-l2-norm-l-infinity-norm/

[Grigoriy Chaunin]

Teşekkür ederim. Tam olarak ne gerekli.

[Maxim Dmitrievsky]

R'yi kim anlıyor? ilk örnekte quantmod aracılığıyla alıntıları indirirken hata, alınan alıntıları çizemiyorum

getSymbols( "AAPL" , src = "google" )
plot(AAPL[, "AAPL.Close" ], main = "AAPL" )

//
[ 1 ] "AAPL"
> plot(AAPL[, "AAPL.Close" ], main = "AAPL" )
Error in if (on == "years" ) { : missing value where TRUE/FALSE needed

https://www.r-bloggers.com/an-introduction-to-stock-market-data-analysis-with-r-part-1/

[Dr. Trader]

Maksim Dmitrievski :

R'yi kim anlıyor? ilk örnekte quantmod aracılığıyla alıntıları indirirken hata, alınan alıntıları çizemiyorum

Makaleden kodu çalıştırdım, her şey ilk kez çalıştı.
Sürüm R 3.4.2, ancak bunun özellikle önemli olduğunu düşünmüyorum.

[Dr. Trader]

Bir sınıflandırma modeli eğitmek için, sınıf sayısını "1" sınıfındaki eğitim örneklerinin sayısı "2" sınıfındaki eğitim örneklerinin sayısıyla eşleşecek şekilde dengelemeniz gerektiğine dair bir işaret vardır (ve gereksiz örnekleri kaldırın)

Bazı regresyon modelleri için benzer bir gereksinim fark ettim, ancak burada daha karmaşık - 0,001 hedefi olan örneklerin sayısı, -0,001 hedefi olan eğitim örneklerinin sayısıyla eşleşmelidir.
0,002 hedefli örneklerin sayısı, hedef -0,002 vb. olan örneklerin sayısıyla eşleşmelidir.

İşte bu dengelemeyi yapmak için bir komut dosyası -

 #Подготовка таблички для обучения модели, тут рандомные значения
#таргет в колонке 11
trainTable <- cbind(matrix(runif( 10000 ), nrow = 1000 , ncol= 10 ), 
                     round (sample(c(-runif( 480 )*runif( 480 ), runif( 520 )*runif( 520 ))* 0.1 ), 3 )) #рандомные значения для таргета, 3 знака после запятой.
                                                                                           #Позитивных значений на 40 больше чем негативных имитируя тренд в исходных ценах.


#Требуется взять для обучения модели только такие строки таблицы когда число позитивных и негативных значений будет равно и отбалансировано по уровням

target <- trainTable[, 11 ]
target <- round (target, 3 ) #округление до определённой точности, тут 3 знака после запятой
targetFactor <- factor(target)
targetFactorLevels <- as .numeric(levels(targetFactor))
balancedIndexes <- c()
for (i in 1 :length(targetFactorLevels)){
  idx <- which(target == targetFactorLevels[i])
  idxN <- which(target == -targetFactorLevels[i])
  minLength <- min(length(idx), length(idxN))
  balancedIndexes <- c(balancedIndexes, tail(idx, minLength), tail(idxN, minLength))
}
balancedIndexes <- sort(unique(balancedIndexes))

trainTableBalanced <- trainTable[balancedIndexes, ] #новая табличка на которой можно обучать модель

[СанСаныч Фоменко]

Dalgacıklar ne zaman yararlı tahmincilerdir?

Veriler, çoğu yüksek frekanslı finansal zaman serisinin tipik özelliği olan yüksek oynaklık ve boşluklar gösterdiğinde, tahmin yapmak daha da zorlaşır. Yüksek frekanslı döviz kuru verilerini kullanarak, yüksek oynaklığa ve boşluklara dayanıklı dalgacıkların, yüksek oynaklığın değerleme puanını, bölge tahminini veya her ikisini etkileyen baskın özellik olduğu yüksek frekanslı uygulamalarda faydalı tahminciler olduğunu gösterdik. Sonuçlar, bir zaman serisinin daha sonra zaman serisi tahmin modellerinde kullanılan homojen bileşenlere ayrıştırılmasının çok önemli olduğunu göstermektedir. Oynaklık rejimi ile ilgili çeşitli veriler için farklı bileşenler diğerlerinden daha kullanışlı hale gelir. Yüksek frekanslı döviz kuru kazanç serilerini tahmin etmek için çok çeşitli doğrusal ve doğrusal olmayan zaman serisi modellerini ele alıyoruz. Sonuçlarımız, veriler yüksek oynaklıkla standart olmayan özellikler gösterdiğinde, doğrusal olmayan modellerin doğrusal alternatiflerden daha iyi performans gösterdiğini göstermektedir. Bununla birlikte, veriler hem tahminler hem de tahminler için düşük volatilite aralıklarında olduğunda, dalgacıklar yoluyla verilerden gürültüyü çıkarmak için büyük çaba gerekmesine rağmen, basit doğrusal otoregresif modeller baskındır.

[Forester]

Dr. tüccar :

Bir sınıflandırma modeli eğitmek için, sınıf sayısını "1" sınıfındaki eğitim örneklerinin sayısı "2" sınıfındaki eğitim örneklerinin sayısıyla eşleşecek şekilde dengelemeniz gerektiğine dair bir işaret vardır (ve gereksiz örnekleri kaldırın)

Bazı regresyon modelleri için benzer bir gereksinim fark ettim, ancak burada daha karmaşık - 0,001 hedefi olan örneklerin sayısı, -0,001 hedefi olan eğitim örneklerinin sayısıyla eşleşmelidir.
0,002 hedefli örneklerin sayısı, hedef -0,002 vb. olan örneklerin sayısıyla eşleşmelidir.

İşte bu dengelemeyi yapmak için bir komut dosyası -

Bu özünde ne anlama geliyor?
Dolar art arda birkaç aydır büyüyorsa (bir eğilim vardı), o zaman eğitim örneklerinin sayısını eşitleyerek, NN'yi tüm bu zaman boyunca bir daire varmış gibi göstereceğiz. Ve buna göre dairede öğrenecek. Doğru mu? Belki de trendde aynı şeyi öğrenmesine izin verin?