交易中的机器学习：理论、模型、实践和算法交易 - 页 261

[mytarmailS]

那么预测的结果是什么呢？ 敢问。

[toxic]

mytarmailS:
那么在预测方面的结果是什么呢？敢问。

如果你问我，我可能无法明确回答，有很多东西被预测，一切都不同。但平均来说，大约有60-65%。

[Dr. Trader]

这里是为模型训练准备的电子表格。

价格按列转换为德尔塔；删除的列没有变化或有NA。

每一列的每一行都塞进了3个滞后期（当前行减去以前的；以前的减去以前的；以前的减去以前的）。

目标 - 下一行的增加/减少值（下一行减去当前行，四舍五入为+-1，如果没有变化则为0；共3类）。所有目标都有前缀 "target_"

*不得使用其他目标进行预测，否则将是对未来的窥视。所有以 "target_"为前缀的列都不能作为预测器或直觉使用。

[Dr. Trader]

问题。

将csv文件按行分成两部分，训练数据和前沿测试的比例为10：1。我为target_SiH7.bid（来自上表）训练了模型，在训练数据上得到了62%的分类精度，在新数据上得到了74%的分类精度。本来很高兴，但仔细检查了一下，原来0班与其他班级相比很不平衡，仅按数额就有60%和74%。也就是说，该模型已经学会了很好地检测0，但它在-1和1类上却陷入了困境。

需要一个不同的分数。对于两个不平衡的班级，这个指标很好--https://en.wikipedia.org/wiki/Cohen's_kappa，但在我们的案例中，有三个不平衡的班级，而不是两个，是否有一个类似于3的Kappa？

[mytarmailS]

我没有。
如果你问我，我可能无法明确回答，有非常多的事情是可以预测的，每件事都是不同的。但平均来说，大约有60-65%。

有趣的是，你能否更详细地描述一下...

只是我现在从事的是完全不同的预测领域，我不能分散，所以不能在这个三月的日期和你一起做实验，但阅读和观察非常有趣，请多写点...

Dr.Trader:

事实证明，0类与其他类相比非常不平衡，仅在数量上就有60%和74%。也就是说，该模型已经学会了很好地检测0，但它已经放弃了-1和1类。

当我为U型车训练我的随机森林时，我遇到了同样的问题，U型车自然比非U型车少得多。我做的树越多，MO在转弯类上的得分越多，而更多地集中在非转弯类上。

在caret 中，有几种平衡类的方法，但所有这些方法都是微不足道的--要么将观测值较少的类加倍，使所有类的观测值之和变得相同，要么从观测值较多的类中删除不必要的观测值。

没有一种方法比完全不做平衡更有利可图（但这只是在我的情况下）。

[Dr. Trader]

mytarmailS:

有趣的是，你能否更详细地描述一下...

我现在只是在一个完全不同的预测领域工作，我不能迷失方向，这就是为什么我不能和你在这个马特上做实验的原因，但阅读和观察非常有趣，请多写点...

我在训练调头时也遇到了同样的问题，调头当然比不调头要少得多。我做的树越多，MO就越多地被U-turn类困住，而更多地集中在非turn类上。

在caret 中，有几种平衡类的方法，但所有这些方法都是微不足道的--要么将观测值较少的类加倍，使所有类的观测值之和变得相同，要么从观测值较多的类中删除不必要的观测值。

没有一种方法比完全不做平衡更有利可图（但这只是在我的情况下）。

在caret中，你可以通过一些参数改变训练函数中的健身函数。对于分类，你可以使用精度或卡帕：而对于回归，你可以使用一些自己的两个变体，如r^2和其他东西。我就是在那里学会了卡帕，它帮助我在非常不平衡的类上正确地训练了一个模型，没有任何额外的操作。

[СанСаныч Фоменко]

如果我们讨论的是反转，那么我们应该以一种有意义的方式来平衡类：不是一个酒吧的反转，而是反转前的几个酒吧和反转后的几个酒吧。如果说班级无论如何都是不平衡的，但不是那么致命的，可以通过照顾来平衡。

[Женя]

有毒。

一切都是可以协商的。我建议做期货，例如Si、RI、BR 等，一般来说是流动性最好的。我建议信号(-1,0,1)(short,cash,long)作为一个结果，信号比概率毫不含糊，不被MM 作为订单扭曲。后期处理、标志和目标由你决定，或者说是书。

经过一些思考，我得出一个结论，至少应该增加一个玻璃{price:vol,...||...,price:vol }，因为它是每秒最后一个，对于每个预测的工具，那么delta是不需要的，bid，ask也是，它是IMHO强制的，如果用每秒的磁带分割量和OM的转移，或多或少的信息，那么对于玻璃一个delta是非常少的，至少需要看到不同的 "板块 "分布，等等，这就足够作为一个开始。添加一个翻滚器，并发布一个训练数据集，几天后，我们就可以玩了。:)

[Dr. Trader]

最终确定了斯科特的Pi 公制https://en.wikipedia.org/wiki/Scott's_Pi

这是我的估算结果，我在前91%的线条上训练了模型，然后在最后剩下的数据上做了前测（backtest : fronttest = 10:1的比例）。
表中的 "class_0_rate "列--0级与-1和1级的比率，这样我就可以在Excel中筛选出那些该值过高的结果。

最后两列是Scott的Pi指标，用于训练和测试，数值将从-1到1；其中0=结果是随机的，模型是无用的，1=一切正常。负面的结果是不好的，反相关，你可以试着把预测结果倒过来。在交易与预测完全相反的两个类别时，逆向相关有时也能正常工作。但有三个类，就很难找到相反的东西，每个类都有两个相反的值，在这种情况下，负值也是不好的。

我认为我们需要选择在回测和前测中出价（或要价）预测值相似且高的货币，例如xagusd。虽然在0到1的范围内，0.18的分数是很小的。而在真正的交易中，提前一格的预测也是不好的。一般来说，有一个结果，但它不适用 :)

Scott's Pi的R代码

ScottsPi <- function(act, pred){
  if(length(act) != length(pred)){
    stop("different length")
  }
  
  n_observ <- length(act)
  
  all_levels <- unique(c(act,pred))
  n_levels <- length(all_levels)
  
  marginal_matrix <- matrix(NA, ncol=n_levels, nrow=n_levels)
  colnames(marginal_matrix) <- all_levels
  rownames(marginal_matrix) <- all_levels
  
  for(i in 1:n_levels){
    for(j in 1:n_levels){
      marginal_matrix[i,j] <- sum((act==all_levels[i]) & (pred==all_levels[j]))
    }
  }
  diagSum <- 0
  for(i in 1:n_levels){
    diagSum <- diagSum + marginal_matrix[i,i]
  }
  diagSum <- diagSum / n_observ
  
  marginalSum <- 0
  for(i in 1:n_levels){
    marginalSum <- marginalSum + ((sum(marginal_matrix[i,]) + sum(marginal_matrix[,i]))/n_observ/2)^2
  }
  p <- marginalSum
  return((diagSum - p)/(1-p))
}

[Женя]

Dr.Trader:

最终确定了斯科特的Pi 公制https://en.wikipedia.org/wiki/Scott's_Pi

这是我的估算结果，我在前91%的线路上训练了模型，然后在最后剩下的数据上做了前测（backtest : fronttest = 10:1的比例）。
表中的 "class_0_rate "列--0级与-1和1级的比率，这样我就可以在Excel中筛选出这个数值过高的结果。

最后两列是Scott的Pi指标，用于训练和测试，数值将从-1到1；其中0=结果是随机的，模型是无用的，1=一切正常。负面的结果是不好的，反相关，你可以试着把预测结果倒过来。在交易与预测完全相反的两个类别时，逆向相关有时也能正常工作。但是有三个班级，就很难找到相反的，每个班级都有两个相反的，在这种情况下，负面的结果也是不好的。

我认为我们需要选择在回测和前测中出价（或要价）预测值相似且高的货币，例如xagusd。虽然在0到1的范围内，0.18的分数是很小的。而在真正的交易中，提前一格的预测也是不好的。一般来说，有一个结果，但它不适用 :)

Scott's Pi的R代码

ScottsPi <- function(act, pred){
  if(length(act) != length(pred)){
    stop("different length")
  }
  
  n_observ <- length(act)
  
  all_levels <- unique(c(act,pred))
  n_levels <- length(all_levels)
  
  marginal_matrix <- matrix(NA, ncol=n_levels, nrow=n_levels)
  colnames(marginal_matrix) <- all_levels
  rownames(marginal_matrix) <- all_levels
  
  for(i in 1:n_levels){
    for(j in 1:n_levels){
      marginal_matrix[i,j] <- sum((act==all_levels[i]) & (pred==all_levels[j]))
    }
  }
  diagSum <- 0
  for(i in 1:n_levels){
    diagSum <- diagSum + marginal_matrix[i,i]
  }
  diagSum <- diagSum / n_observ
  
  marginalSum <- 0
  for(i in 1:n_levels){
    marginalSum <- marginalSum + ((sum(marginal_matrix[i,]) + sum(marginal_matrix[,i]))/n_observ/2)^2
  }
  p <- marginalSum
  return((diagSum - p)/(1-p))
}

数据非常少，我的朋友挂了一个正常的数据集，但在某个地方迷路了。操盘手博士：数据不多，但在某处丢失了。 如果你不具体说，当然对于提前的tick来说，真的没有用，至少提前一分钟，在pass一分钟是纯MM，两边的限制器，在与价差成比例的距离，这里是 "量子泡沫"，没有必要谈方向，因为它比价差小得多。