Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 854
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Für mich? Ich habe das Problem bereits gelöst. Jetzt überlege ich, was ich sonst noch tun könnte. Python oder R. Ich habe noch keine neuen Ideen.
Wie bewerten Sie also das Modell? Oder man bekommt immer das gleiche Modell, wenn man immer wieder das gleiche Set baut. Ist das so?
Sie haben Recht, Sie haben Recht, aber die Aufgabe der KI besteht gerade in den nicht-stationären Reihen, wo das Muster fließend ist. Die Aufgabe der KI besteht darin, den Betrieb aufrechtzuerhalten, wenn die Beziehung abbricht, wenn auch nur für kurze Zeit, aber lange genug, um Geld zu verdienen. Schließlich ändert sich das Muster nicht sprunghaft. Anstelle des ersten Haupteintrags gibt es einen weiteren, aber der Haupteintrag bleibt weiterhin im Set, und hier ist es die KI, die die Last auf sich nimmt, die Linie zu halten, wie man sagt. Deshalb muss man im ersten Monat des Terminkontrakts sehr oft trainieren, vor allem wenn der Markt nicht weiß, wohin er gehen soll. Wenn ich mir das Vtrite ansehe, sehe ich dieses Muster herumtanzen. Aber in der Mitte und am Ende der Futures wird der Markt in der Regel geordneter und ein Eintrag dominiert für eine lange Zeit.
Mann, jeder arbeitet von dem Moment an oder ein paar Tage vor dem vorherigen Terminschluss. Was zum Teufel ist der erste Monat?
das Muster variiert chaotisch und die Abweichungen in den Mustern nehmen mit der Zeit exponentiell zu
jeder Approximator (außer teilweise RNN oder LSTM) kann solche Probleme nicht lösen
alle Artikel über Statistiken, mit Versuchen, sie in ihrer aktuellen Form auf den Markt anzuwenden - können weggeworfen werden und werden nicht beachtet
die Hauptanstrengungen sollten sich auf Methoden konzentrieren, die es ermöglichen, in einem nicht-stationären Umfeld zu arbeiten, eine davon wird von Alexander vorgeschlagen (vorausgesetzt, man hat keine Vorzeichen, die einen stationären Effekt auf einen Quotienten haben, der nicht a priori aus dem Quotienten selbst extrahiert werden kann)Wie wird nun das Modell geschätzt? Oder erhalten Sie immer dasselbe Modell, wenn Sie dasselbe Set wiederholt bauen? War es das?
Wahrscheinlich anders, wer weiß. Es wird auf eine zufällige Sequenz trainiert.
Wahrscheinlich anders, wer weiß. Es wird auf eine zufällige Sequenz trainiert.
OK, wie wählt man also das richtige aus? Oder führen sie in der Rückkopplungsschleife alle zum gleichen Ergebnis?
In meinem Fall arbeiten alle Modelle unterschiedlich mit der Rückkopplungsschleife....
OK, wie wählt man also die richtige aus? Oder führen sie in der Rückkopplungsschleife alle zum gleichen Ergebnis?
Ich habe alle Modelle, die anders funktionieren, auf dem o.c.p.....
Ich habe nur ein Modell - nc-60 Neuronen. Sie brauchen sich nicht zu entscheiden. Wir trainieren, wir arbeiten.
Ja, Feedback - was ist das?
Ich habe nur ein Modell - NS -60 Neuronen. Sie müssen sich für nichts entscheiden. Wir trainieren, wir arbeiten.
Ja, was ist das O.C.D.?
Äh... Geez........ Sie haben einen NS, aber wenn Sie ihn trainieren, erhalten Sie immer unterschiedliche Neuronengewichte. IMMER ANDERS. Auf dem Trainingsgelände wird es genauso funktionieren. Aber jedes Mal, wenn Sie es trainieren, werden Sie immer ein anderes NS erhalten, und der Unterschied liegt in den Neuronenkoeffizienten. Wir können also statistisch feststellen, dass dieser NS in Zukunft mit dieser bestimmten Gruppe von Quoten besser funktionieren wird als mit dieser. Nicht wahr? Oder ich verstehe etwas nicht. In P ist einfach alles vernäht...... so wie ich es verstehe...
Ja... Geez...... Sie haben ein NS, ABER wenn Sie es trainieren, werden Sie immer unterschiedliche Gewichtungskoeffizienten der Neuronen erhalten. IMMER ANDERS. Auf dem Trainingsgelände wird es genauso funktionieren. Aber jedes Mal, wenn Sie es trainieren, werden Sie immer ein anderes NS erhalten, und der Unterschied liegt in den Neuronenkoeffizienten. Wir können also statistisch feststellen, dass dieser NS in Zukunft mit dieser bestimmten Gruppe von Quoten besser funktionieren wird als mit dieser. Nicht wahr? Oder ich verstehe etwas nicht. Es ist nur so, dass in R alles im Inneren vernäht ist...... wie ich es verstehe...
Ich arbeite nicht mit R.
Ja, es ist immer ein anderer NS bei jeder Ausbildung. Ich überprüfe ihn, den einzigen, auf einen unabhängigen Blutdruck, und ab in die Realität. Übrigens, für Futures.
Ich arbeite nicht mit R.
Ja, es ist immer ein anderer NS bei jeder Ausbildung. Ich überprüfe ihn, den einzigen, auf einen unabhängigen Blutdruck, und ab in die Realität. Übrigens, zu den Termingeschäften.
Ich habe es auch mit einem unabhängigen Blutdruckmesser getestet. Meine grundlegende Strategie ermöglicht es mir, einen solchen BP ohne Zeitverlust zu erstellen. Aber wie sich herausstellte, ist es besser, die in meinem Beispiel berechneten Methoden zu verwenden. Es ist also statistisch zuverlässiger zu verstehen, inwieweit Ihr Modell Informationen über die Ausgabe enthält....