交易中的机器学习：理论、模型、实践和算法交易 - 页 694

新评论
 

我有一个长帖子，但版主把它删除了，因为我无法控制自己，用典型的俄罗斯方式表达了我的感受....所以我将保持简短....

老实说，我只是被我得到的结果惊呆了。是的，从110个输入被选择从3到5在不同的情况下，和sootvetechno模型，已经变成了相当小的，但他们如何工作是与东西。首先，所有建立在选定输入上的模型都100%地通过了我的测试。这样的结果我只得到过一次，而且是偶然的，但这里是稳定的，所有的时间........

是的，多项式本身被证明是太小了，但谁他妈的在乎呢。在战争中一切手段都是好的。我知道我们会用小的多项式来冲击市场，如果它们能成功，这不是我的错......。

但同样，这只是一个快速测试，我们需要更多的时间来证实这一理论，但这里是过去两周TS在负反馈领域工作的一个壮观的例子。

这当然不是下一个主题所讨论的圣杯，但结果是显而易见的，股权在整个CB!!!!，始终高于零。

我想说，感谢每一个回应我对R的帮助请求的人。你真的帮助我节省了很多时间。现在我只需要让我的信号进入绿色区域!!!!!。

 
交易员博士。

例如，jPrediction将数据扩展到区间[-1;1]并在这些数字上进行学习。在评估输入之前，也可以在R中扩展到相同的区间。

基于树木的估计方法可能不会改变结果，森林并不真正关心数据来自哪个区间，但最好检查一下。vtreat对间隔时间也不挑剔。


但总的来说，他说的是输入的非线性转化，甚至在输入到神经元之前。神经元对输入非常敏感，如果你以某种特殊方式处理输入数据，其结果可能会有所改善。例如，我听说过这样一个技巧--通过sigmoid转换输入。

如果我没记错的话，已建成的模型已经有这样的功能了。它看起来像这样....

double sigmoid(double x) {
   if (MathAbs(x) < 1.0) {
      return 2.0 * signum(x) - x;
   }
   return signum(x);
}
 
Mihail Marchukajtes:

它看起来像这样....

某种特殊的 "Reshetov Sigmoid" :)

这里有一张有趣的图片，有不同的数据转换。
他们说，如果所有的预测因子都有大致相同的条数，那么神经网络就会非常高兴，并且会很容易学习。scale()x2->Sigmoid()上最后三分之一的预测器看起来不错，但我需要对前一半的预测器做一些处理，否则神经元会被扼杀。
如果我们像jPrediction那样看一下[-1;1]中的缩放比例的boxplot，它看起来非常糟糕。


附加的文件：
Qwe.txt.rescale.txt  2 kb
 

今天是圣杯日，但我们知道它是什么样子的，需要付出多少努力才能将它握在手中!!!!。

我并不害怕这个词，但今天我为自己找到了一个圣杯。我反复测试，结果令人惊讶。特别感谢Trader博士 的支持，这实际上导致了这一发现。我不害怕这个词........在R的帮助下，我能够有效地找到一组重要的预测因子，考虑到目标有相同数量的类，那么通过稍加发挥（增加或删除一个），重要的预测因子集可以扩大一列、两列。我试过一次，加入它们实在是太正常了。然后，我们开始缩减并选择具有最大学习效果的模型。


当然，多项式的规模并不大，但它在理论上将起到50%的训练间隔，也就是一个星期，对我来说已经足够了!!!!!!。但事情是这样的....而我现在是针对这里那些正在寻找可靠和稳定模式的人。用一个例子来解释比较容易.........

我保存了一个有1000行和111列的数据表，其中有110个预测因子，因此输出。但是，我并没有把整个表拿出来，而是拿了一小部分新的40条记录（大约是2周的TS工作），结果是我有一个大小为40乘110的训练集，外加一个目标。事实上，我就在这一天的这个时间段里，在市场上做了一个切片。这个片子是固定的。然后， 我选择相对于输出的重要输入变量，并得到3至5个列，我明白，这些列具有所需的阿尔法，使我能够比其他市场参与者有优势。 现在最重要的事情是....这一切的讨论都是为了什么。只要我在训练用的数据表中再增加一行，列的集合就会发生巨大的变化，即阿尔法会移到另一组列上。也许不是立即，而是在添加多于一行之后。即信号TS!!!!阿尔法恰恰是最纯粹的模式，对目标功能来说是最小和足够的。但这种模式并不明显，也就是说，要用肉眼看到它是非常困难的。正是在这一点上，人工智能参与其中并发挥其作用。

现在想象一下阿尔法如何在所有的数据字段上反弹，如果它很少包含在五个以上的输入中，而总字段有110个输入。换句话说，每一个新的切片，我都会得到一套完全不同的预测器。而你想怎么跟上它，甚至在一个YEAR的距离!!!!!!!，如果它在这里几个星期，你很难正确地抓住它.......。但你说得很对，有一个圣杯，但每个人都有自己的，为了保持它，你需要做出很多努力.......。

并再次提到模拟账户 的理论家，这是如何做到的.......。

我曾用这个理论工作过，并利用它做了一些测试。测试显示出良好的结果。模型是在机器人被加载的情况下训练的UPU。本周注意我的信号，你会看到我的假设有什么价值。

 

妙不可言!

万幸的是，R!

 
Mihail Marchukajtes:

现在想象一下，如果我卸载的数据字段很少包含在五个以上的输入中，而总字段是110个输入，那么阿尔法怎么能跳过整个数据字段呢？换句话说，每一个新的切片，我都会得到一套完全不同的预测器。

现在打开你的大脑 )

 
组合器。

现在，请用你的大脑）。

如果你真的按照你的建议去思考，答案只有一个。切口是静止的，它的任何变化只是把你扔到另一个维度（形象地说），那里的法律完全不同。这就是为什么在市场上很难赚到钱。这就是所谓的非平稳性。当能预测的信息只占最大可能的数据集的5%，而下一个信号可能会发生剧烈的变化，或者根本就没有。此外，我保存了11个工具的delta和volume，其中只有5%在这里和现在工作，不知道什么时候会改变，但很明显，当替代其他列的时候，这个时刻可以被跟踪，从而确定模型被放空的时刻......。需要做更多的测试.....，但没有时间...

 

OOS, 15 min tf

在第2号策略中发现了一些bug，修复了它，似乎是在工作。

还有第3页，已经加入了RL，我觉得这有很大的潜力，但需要大量的思考来实现。


 

关于八个机器学习模型的研究的有趣文章

具体来说，我们考虑以下算法：多层感知器（MLP）、逻辑回归、天真贝叶斯、最近邻、决策树、随机森林和梯度增强树。这些模型适用于来自八个数据生成过程（DGPs）的时间序列--反映了不同的线性和非线性依赖关系（基本情况）。通过增加不连续性和不同程度的噪声，引入了额外的复杂性。


而这里是结果

首先，我们发现机器学习模型在未知的基础DGP上取得了坚实的性能，与最佳预测所设定的雄心水平相比。在没有噪音的情况下（基本情况），用机器学习模型取得的结果几乎与最佳预测的结果相似。从模型上看，MLPs和GBTs对线性和非线性DGPs都提供了最好的结果。对于没有非线性或只有小非线性的过程，LR是一个很好的选择，特别是考虑到其低计算成本。我们发现NB和单一决策树的性能较差，因此推荐上述技术用于时间序列预测任务。

第二，在特征空间中包括过多的滞后值比包括太少的滞后值要好。我们发现大多数机器学习模型对超过DGP的过程方程所建议的所需滞后期数量相当稳健。在RF的情况下，加入额外的特征甚至增加了预测的准确性。我们建议从一个滞后期开始，并逐渐增加滞后期的数量，以监测在保留集或交叉验证中的表现。

第三，我们发现跳跃对预测准确性有非常大的负面影响，LR是最稳健的机器学习模型。为了减轻负面影响，在特征空间中加入第一差值（DIFF）以及基于LOF算法去除跳跃，都显示出良好的效果。我 们建议将这两种技术结合起来。

第四，在所有的机器学习模型中，用噪音污染时间序列对预测的准确性有最不利的影响。我们再次发现，在有噪音的情况下，LR是最稳健的机器学习模型。 此外，额外的缓解措施，如在特征空间中加入第一差值（DIFF）和移动平均数（MA），也会产生更好的结果。

 
桑桑尼茨-弗门科。

关于八个机器学习模型的研究的有趣文章

从模型上看，MLPs和GBTs对线性和非线性DGPs都提供了最好的结果。对于没有非线性或只有小非线性的过程，LR是一个很好的选择，特别是考虑到其低计算成本。我们发现NB 和单一决策树的性能较差，因此推荐上述技术用于时间序列预测任务。

有点显而易见，考虑到CART根本不对前线性问题起作用。

1...687688689690691692693694695696697698699700701...3399
新评论