matlab 2010 上的機器學習
我正在嘗試開發一種交易模型。它使用某些技術和基本特徵，並且模型從過去學習。我有一個 3 級輸出 - 看漲、中性和看跌。
在嘗試神經網路時，我得到了大約 85% 的訓練準確率、75% 的交叉驗證準確率和 75% 的測試準確率，其中 CV 集和測試集都是從完整的集合中分割出來的。我正在使用 nprtool 在 matlab 2010 上執行此操作。該軟體對 CV 集和測試集進行了分割（各 20%，其餘 60% 用於訓練）。
訓練後，我使用相同的模型來測試不同的數據。在這裡，準確率下降到 34% 左右（我假設這只是 3 類的隨機分類）。我測試的新數據與用於訓練的數據非常相似。我也嘗試交換數據集，但結果是一樣的。我使用下面的命令來測試模型（同樣用於測試訓練數據的準確性，將 Xtest 替換為 Xtrain）。這裡 net 表示訓練好的模型。
output = sim(net, Xtest');對於 NN，我在隱藏層中使用了 100,000 個樣本、250 個輸入特徵和 100 個節點。
我使用 libsvm（從 matlab 呼叫）嘗試了類似的事情。在這裡我也面臨同樣的問題。在訓練過程中，通過交叉驗證對參數進行優化，CV 準確率達到 73%。然而，當對新數據進行測試時，準確度下降到 35% 左右。
對於 SVM，我使用 20,000 個樣本和 250 個特徵進行了訓練。我使用下面的命令：
[outputTest, accuracyTest, prob] = svmpredict(Ytest,Xtest,model);如果有人遇到類似問題並有補救措施，請提供幫助。
首先，查看 Jurik Research WAV 和 DDR 模組，了解在輸入 ANN 之前時間序列數據壓縮和去相關的一種特殊方法。從最近的研究來看，似乎在滯後 (2,5,10 bar) 數據上使用小波以及諸如偏度、峰度等指標和匯總統計數據也獲得了更好的結果。
你有太多的輸入，如果它們之間有任何關聯，你就會違背人工神經網路的目的。ANN 的一個基本規則是它們會浪費時間學習輸入特徵之間的相關性，因此如果將其移除並使用正交輸入（零相關性），結果可能會更好。
最後，跨市場分析也產生了比留在資產範圍內更好的結果。也就是說，開始將其他指數（滯後和非滯後）作為輸入。
不要為糟糕的結果而煩惱——我使用正規化數據獲得了類似的結果，4 個小波代表高點，4 個小波代表低點（以及各種滯後），用於 2 類問題（明天是增益（y>0）或 loss(y<0)) 結果很差。