6 методов машинного обучения. Прогнозирования временных рядов дневных приращений акций AAPL.

6 методов машинного обучения. Прогнозирования временных рядов дневных приращений акций AAPL. #ML #dsssb
Код из этого видео
Предыдущее видео по этой теме • 6 ключевых методов пре...

[@konstantinphd2366]

Вообще говоря, представленные методы направлены на прогнозирование средних, которое близко к нулю в Вашем случае. Вы же пытаетесь спрогнозировать белый шум, по сути, т.е. его дисперсию. Поэтому, собственно, и результат не очень. Но спасибо за видео, если бы еще были ссылки на код, то это было бы прекрасным подарком для начинающих исследователей данных.

[@Pythoncode-daily]

Здравствуйте, Константин! Спасибо за очень ценное и полезное замечание! Оно наводит на интересные мысли. Действительно, часть из данных ( в границах одного стандартного отклонения) нужно относить к белому шуму и пытаться прогнозировать только выбросы за его границы. Пороюсь в этом направлении. Код я пока решил выкладывать "по требованию" - не потому, что очень им дорожу, а совсем наоборот - считаю, что он сыроват, как и мои познания в теме и программирования и машинного обучения! Ссылка на google colab будет в описании. )

[@evp90567]

Вообще странно, что имея такие хорошие знания программирования вы занимаетесь вообще то ерундой. Вы же прпвильно подметили, что если прогнозировать хотя бы направление на следующий день, то этого вполне достаточно. Значит надо находить точки, где дневная свеча с хорошей вероятностью будет либо вверх, либо вниз. Для этого надо учитывать определенные индикаторы и средние по ним, тогда будет понятнее какого цвета следующая свеча.

[@Pythoncode-daily]

Спасибо большое за такой авансище, но я очень плохой программист. Да что там - практически никакущий! Диванный чайник. Если не сложно - дайте ссылочку на реальный код или методологию, которая делает это с устойчивым положительным матожиданием? Вся сложность в том, что реализовать на практике такую замечательную конструкцию у меня так и не получилось. Что-то , как и все мы нащупываешь, но работает оно только в определенном фазовом пространстве. А переходы из одного фазового пространства в другое опредлеить еще сложнее, чем найти инструменты для работы в каждом из них.

[@evp90567]

@@Pythoncode-daily я торгую вручную. Могу сносно программировать на mql4. Соответственно у меня нет готового кода. Но саму идею можете попробовать реализовать обучая нейросеть не на ценах, а на индикаторах, чтобы она предсказывала с хорошей вероятностью направление прогона индикатора на следующий день.

[@Pythoncode-daily]

Спасибо Вам большое! С Вашей подачи, я сегодня с утра нарыл методологию с которой можно попробовать - марковский процесс, как ориентированный циклический граф узлы которого соответствуют разным состояниям среды, а ребра
вероятности переходов между состояниями. Не факт что быстро получится сделать что-то стоящее , но попробовать стоит.

[@evp90567]

@@Pythoncode-daily интересно, я не слышал о таком. Было время, когда я пытался научными методами найти подход к этой задаче. Самая лучшая идея была использовать уравнение Фоккера-Планка для плотности вероятности. Но даже в Гауссовском приближении чтобы вычислить среднее скажем на завтра надо знать ковариацию сегодня-завтра, а она не известна И дальше можно пытаться что то придумывать как её задать, но это гадалово. Народ не просто так придумал индикаторы, которые могут подсказать направление движения на следующий день, я за это.