AutomaticPortfolioSystems
Новичок форума
Предлагаю Вашему вниманию исследовательскую систему, выполненную в виде индикатора, в которой для прогноза поведения финансового инструмента используются методы машинного обучения.
Данная система может прогнозировать направление текущего тренда через, установленный пользователем, период времени и оценивать достоверность собственного прогноза.
Работает на любых инструментах и таймфреймах, при условии наличии достаточного количества данных для обучения (устанавливается пользователем). Все математические расчёты, в том числе обучение прогнозирующих моделей, производятся в терминале R. Подробное описание исследовательской системы и её параметров Вы можете найти в «Инструкции по использованию» (прилагаю .pdf файлом).
Данный продукт – результат многих часов работы программистов, но как любая исследовательская платформа, она требует больших временных затрат на тесты и эксперименты. Совместными усилиями это можно сделать быстрее и качественнее. В ближайшем будущем планируется расширение функционала системы (добавление новых прогнозирующих алгоритмов, добавление прогноза времени жизни текущего тренда и его волатильности).
Классификация алгоритмов машинного обучения, использованных в системе:
1. По назначению
· Предсказывающие направление тренда – основной сигнал (вероятность вверх или вниз)
· Предсказывающие качество основного сигнала (вероятность - высокая, неопределённость, низкая)
· Предсказывающие направление тренда на основе ансамбля алгоритмов (model stacking)
2. По типу
· Extreme Gradient Boosting (xgboost)(xgboost.readthedocs.io/en/latest/)
· andom Forest (rf)(ru.wikipedia.org/wiki/Random_forest)
· C5.0 algorithm (с5) (ru.wikipedia.org/wiki/C4.5)
· DeepBoost algorithm (deepboost) (research.google.com/pubs/pub42856.html)
· Multivariate Adaptive Regression Spline (earth) (en.wikipedia.org/wiki/Multivariate_adaptive_regression_splines)
Данная система может прогнозировать направление текущего тренда через, установленный пользователем, период времени и оценивать достоверность собственного прогноза.
Работает на любых инструментах и таймфреймах, при условии наличии достаточного количества данных для обучения (устанавливается пользователем). Все математические расчёты, в том числе обучение прогнозирующих моделей, производятся в терминале R. Подробное описание исследовательской системы и её параметров Вы можете найти в «Инструкции по использованию» (прилагаю .pdf файлом).
Данный продукт – результат многих часов работы программистов, но как любая исследовательская платформа, она требует больших временных затрат на тесты и эксперименты. Совместными усилиями это можно сделать быстрее и качественнее. В ближайшем будущем планируется расширение функционала системы (добавление новых прогнозирующих алгоритмов, добавление прогноза времени жизни текущего тренда и его волатильности).
Классификация алгоритмов машинного обучения, использованных в системе:
1. По назначению
· Предсказывающие направление тренда – основной сигнал (вероятность вверх или вниз)
· Предсказывающие качество основного сигнала (вероятность - высокая, неопределённость, низкая)
· Предсказывающие направление тренда на основе ансамбля алгоритмов (model stacking)
2. По типу
· Extreme Gradient Boosting (xgboost)(xgboost.readthedocs.io/en/latest/)
· andom Forest (rf)(ru.wikipedia.org/wiki/Random_forest)
· C5.0 algorithm (с5) (ru.wikipedia.org/wiki/C4.5)
· DeepBoost algorithm (deepboost) (research.google.com/pubs/pub42856.html)
· Multivariate Adaptive Regression Spline (earth) (en.wikipedia.org/wiki/Multivariate_adaptive_regression_splines)
Вложения
Последнее редактирование модератором:
lease: