Исследуйте данные
В первой части я показал всего один пример модели. Похоже, что модель была успешной и может принести большую прибыль. В этой статье я применю одну и ту же модель ко многим разным токенам и попытаюсь понять, почему некоторые из них успешны, а некоторые нет. Кроме того, на этот раз я дам вам полный доступ к коду.
Я запускаю модель на десяти токенах с той же конфигурацией, что и в модели из первой части.
predictors_list = ['Volume', 'mfi']
tree_depth = 4
листья = 8
Давайте проверим результаты:
БТД:
ZRX:
SXP:
SNX:
XRP:
АТОМ:
Вы, должно быть, заметили, что многоугольник был почти единственным, который принес хороший доход.
Что интересно, если я немного изменю конфигурацию, это окажет чрезвычайно положительное влияние на некоторые жетоны.
Например, с конфигурациями:
predictors_list= ['Close', 'Volume', 'MA', 'rsi', '%K', '%D', 'psl' , 'rvi', 'true_range', 'pvt', 'pvr', 'mfi']
tree_depth = 6
листья = 3
ZRX:
SXP:
Как видите, небольшие изменения существенно влияют на результат. Что вызывает вопрос ПОЧЕМУ?
Чтобы понять модель, я взглянул на дерево модели. Я начал с успешного MATIC (Polygon)
Как видите, модель основывает свое решение на MFI и объеме. Очень странно основывать решение на объеме, потому что средний объем 2 года назад может полностью отличаться от текущего среднего объема. Каждый раз, когда модель пытается предсказать направление по объему, оно будет вырвано из контекста.
Теперь давайте попробуем неудачный токен, такой как ATOM:
Результатом атома было «стратегия дала доход -0,456, а рынок -0,293».
Как видите, ATOM также начинает с MFI, но во второй глубине он использует объем.
Эти результаты одинаковы для остальных токенов. Вы можете проверить код. Есть больше диаграмм и исследования данных. Вы также можете поиграть с ним. Это просто, измените конфигурацию, и вы готовы к работе.
В заключение этой части я должен сказать, что положительные результаты на Matic были просто удачными. Я не буду использовать эту модель для торговли, потому что она кажется очень случайной.
