Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1204
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
Die Lösung besteht darin, die optimalen Gewichte zu finden... z.B. wie man das Posterior variiert... von einheitlich bis exponentiell
Ich bin kein Befürworter von Black-Box-Modellen. Es ist besser, wenn alles transparent ist, mit einer einfachen "physischen" Bedeutung.
Zum Beispiel berechnen wir die a priori-Wahrscheinlichkeit, dass eine Korrektur zu einer Umkehrung wird, anhand einer großen Historie und berechnen sie dann für jede einzelne Korrektur im a posteriori in Abhängigkeit von der Tageszeit oder den Trendmerkmalen neu.
Ich bin kein Befürworter von Black-Box-Modellen. Es ist besser, wenn alles transparent ist, mit einer einfachen "physischen" Bedeutung.
Zum Beispiel berechnen wir aus einer umfangreichen Historie die A-priori-Wahrscheinlichkeit, dass eine Korrektur in eine Umkehrung übergeht, und berechnen sie dann für jede spezifische Korrektur neu auf die A-posteriori-Wahrscheinlichkeit, je nach Tageszeit oder den Merkmalen des Trends.
Die einfache physikalische Bedeutung der Forex-Gesetze ist uns leider unbekannt.
die einfache physikalische Bedeutung der Forex-Muster ist uns leider nicht bekannt
Es geht um die Interpretierbarkeit des Modells.
Es geht um die Interpretierbarkeit des Modells.
dann sind Sie raus aus dem MO-Thema :) obwohl Metamodelle durch ihre Metriken leicht zu interpretieren sind
Dann sind Sie nicht im MO-Thema :) obwohl Metamodelle durch ihre Metriken leicht zu interpretieren sind
Warum? Imho ist das Problem dasselbe wie die Unterscheidung zwischen einer Katze und einem Hund für das Verteidigungsministerium.
Warum? Meiner Meinung nach ist es dasselbe, als wenn das Verteidigungsministerium eine Katze von einem Hund unterscheiden würde.
Weil es meiner Meinung nach so ist, als würde man verschiedene Sprachen sprechen...
natürlich durch Schilder unterscheiden... es sind Fichesdann sind Sie aus dem MO raus :) obwohl Metamodelle durch ihre Metriken leicht interpretiert werden können
Ich bin mir nicht sicher, ob es immer einfach ist, aber irgendwie kann man es schaffen. Ich nehme an, dass nicht das neuronale Netz selbst, sondern seine vereinfachte Annäherung den Handel direkt durchführen sollte.
Ohne Methoden der MO (man kann es "clevere explorative Analyse" nennen) geht es in unserem Fall nicht)
Ich bin mir nicht sicher, ob es immer einfach ist, aber es lässt sich irgendwie bewerkstelligen. Ich nehme an, dass nicht das neuronale Netz selbst, sondern seine vereinfachte Annäherung den Handel durchführen sollte.
Ohne MO-Methoden (man kann es "clevere explorative Analyse" nennen) geht es in unserem Fall nicht)
Jetzt möchte ich die Abhängigkeit der Signale von den Verteilungen zu den optimierten Parametern hinzufügen.
Wenn die Kurtosis höher ist als ein bestimmter Wert (den Sie selbst festlegen können), wird eine flache Situation beobachtet, und Sie können mit der gleichen Wahrscheinlichkeit kaufen/verkaufen (und dann alle Fehlkäufe korrigieren)
weiter auf Asymmetrie, wenn es eine bestimmte Seite gibt, dann ist die Wahrscheinlichkeit des Signals zu kaufen oder zu verkaufen verschoben
Dies ist ein primitives Verfahren, aber es ist ungefähr die Art und Weise, wie der Optimierer die Ziele auswählen kann
Alles, was Sie von den Metriken erhalten müssen, ist der Klassifizierungsfehler bei einer Teststichprobe (die an einer Trainingsstichprobe trainiert werden muss). Die Hyperparameter werden im Optimierer aufgezählt, und das Modell mit dem geringsten Fehler wird ausgewählt. Sie müssen nur wissen, ob ein solches Modell verallgemeinert werden kann oder nicht, indem Sie die Fehler der Testdaten betrachten.
Ich habe gerade ein Beispiel für einen solchen Clunker gegeben
Nun möchte ich die Abhängigkeit der Signale von den Verteilungen zu den zu optimierenden Parametern hinzufügen, was ich zu Beginn getan habe, um zu sehen
Wie sich herausstellte, gibt es eine Abhängigkeit...
Ich habe "SMM" (Hidden Markovian Model) auf Returnees trainiert, sie in 10 Zustände unterteilt und ohne Lehrer trainiert, es hat verschiedene Verteilungen selbständig aufgeteilt
Zustandsverteilungen.
Und hier habe ich die Renditen nach Staaten gruppiert, d.h. jede Zeile ist ein separater Marktzustand
Einige Zustände (1,4,6,8,9) haben zu wenige Beobachtungen, so dass sie überhaupt nicht wahrgenommen werden können
Und jetzt werde ich versuchen, die Reihe zu regenerieren, d.h. eine kumulative Summe zu bilden, wenn eine Tendenz in einigen der Zustände gefunden wird - die Regelmäßigkeit in der Richtung
Ich habe eine kumulative Zusammenstellung vorgenommen.
Die Staaten 5 und 7 haben eine einheitliche Struktur, 5 steht für bai und 7 für village.
Nun möchte ich zu den optimierten Parametern die Abhängigkeit der Signale von den Verteilungen hinzufügen, wie ich es für den Anfang getan habe, um zu sehen
Wenn die Kurtosis höher ist als ein bestimmter Wert (den wir selbst bestimmen können), dann haben wir eine flache Situation und es ist möglich, mit der gleichen Wahrscheinlichkeit zu kaufen/verkaufen (und dann alle falschen Käufe zu korrigieren)
weiter auf Asymmetrie, wenn es eine bestimmte Seite gibt, dann ist die Wahrscheinlichkeit des Signals zu kaufen oder zu verkaufen verschoben
Dies ist ein primitives Verfahren, aber es ist die Art und Weise, wie die Ziele im Optimierer ausgewählt werden.
Warum Preise und nicht deren Abstufungen?