Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1881
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
Das Problem ist, dass das Datenaufbereitungsschema anscheinend nicht mehr ausreicht, da es nur 65-66 % richtige Antworten liefert, und mehr benötigt wird. Ich suche nach einer Möglichkeit, diese Mauer zu durchbrechen.
Was ist Ihr Ziel?
Was ist Ihr Ziel?
65% richtige Antworten sind ein guter Indikator, das ist das, was Neuro derzeit zeigt. Wenn die Antwort 70 % und mehr beträgt, können wir versuchen, eine Position zu eröffnen.
ich verstehe, aber was ist das Ziel? was sagen Sie mit den Netzen voraus? eine Umkehrung? einen Trend? wenn ein Trend, was haben Sie als Trend beschrieben?
ich verstehe, aber was ist das Ziel? was sagen Sie mit den Netzen voraus? eine Umkehrung? ein Trend? wenn ein Trend, was haben Sie als Trend beschrieben?
Die Aufgabe besteht zum Beispiel darin, eine Katze anhand eines Fotos von einem Hund zu unterscheiden. Welches ist die richtige Ausbildungsoption?
1. Zeigen Sie nur Bilder von Katzen und Hunden, d. h. eine binäre Klassifizierung.
2. Getrenntes Lernen nur von Katzen und "Nicht-Katzen" (Protos-Chaos) + getrennt auch von Hunden und "Nicht-Hunden", d.h. zwei Trainingszyklen und zwei Muster am Ausgang.
3. Bilden Sie eine Dreiergruppe - Katzen, Hunde und Chaos. D.h. es wird ein Modell geben, aber die Antwort ist eine Klassifizierung von drei Optionen.
Im Moment habe ich die erste Option, und die ist eindeutig schief. Das Problem ist, dass Neuro nur eine der Varianten gut lernt, konventionell nur "Katzen" gut sieht und Hunde schlecht erkennt. Bei Backtests sind die Modelle beispielsweise gut darin, eine Kursbewegung nach oben zu erkennen und eine Abwärtsbewegung zu ignorieren. Wenn die Schätzung nach oben 67 % beträgt, schätzt das gleiche Modell nach unten nur 55 %. "Oben" und "unten" können von Modell zu Modell ihren Platz wechseln.
ich verstehe, aber was ist das Ziel? was sagen Sie mit den Netzen voraus? eine Umkehrung? ein Trend? wenn ein Trend, was haben Sie als Trend beschrieben?
Übrigens, vielleicht können die Experten helfen. Hier ist eine Frage:
Die Aufgabe besteht zum Beispiel darin, eine Katze anhand eines Fotos von einem Hund zu unterscheiden. Was ist der richtige Weg zum Lernen?
1. Zeigen Sie nur Bilder von Katzen und Hunden, d. h. eine binäre Klassifizierung.
2. Getrenntes Lernen nur von Katzen und "Nicht-Katzen" (Protos-Chaos) + getrennt auch von Hunden und "Nicht-Hunden", d.h. zwei Trainingszyklen und zwei Muster am Ausgang.
3. Bilden Sie eine Dreiergruppe - Katzen, Hunde und Chaos. D.h. es wird ein Modell geben, aber die Antwort ist eine Klassifizierung von drei Optionen.
Im Moment habe ich die erste Option, und die ist eindeutig schief. Das Problem ist, dass Neuro nur eine der Varianten gut lernt, konventionell nur "Katzen" gut sieht und Hunde schlecht erkennt. In den Backtests sind die Modelle zum Beispiel gut darin, die Aufwärtsbewegung der Kurse zu erkennen und die Abwärtsbewegung zu ignorieren. Wenn das Modell um 67 % nach oben schätzt, schätzt dasselbe Modell nur um 55 % nach unten. Die "Aufwärts"- und "Abwärts"-Muster können sich von Modell zu Modell ändern.
Das Problem liegt hier nicht in den Klassifizierungsvarianten, sondern in der Unausgewogenheit der Beispiele für das Training, die entweder in der Anzahl oder in den charakteristischen Eigenschaften der Beispiele unausgewogen ist.
Ein Faltungsnetzwerk ?
Übrigens, vielleicht können die Experten helfen. Hier ist eine Frage:
Die Aufgabe besteht zum Beispiel darin, eine Katze anhand eines Fotos von einem Hund zu unterscheiden. Was ist der richtige Weg zum Lernen?
1. Zeigen Sie nur Bilder von Katzen und Hunden, d. h. eine binäre Klassifizierung.
2. Getrenntes Lernen nur von Katzen und "Nicht-Katzen" (Protos-Chaos) + getrennt auch von Hunden und "Nicht-Hunden", d.h. zwei Trainingszyklen und zwei Muster am Ausgang.
3. Bilden Sie eine Dreiergruppe - Katzen, Hunde und Chaos. D.h. es wird ein Modell geben, aber die Antwort ist eine Klassifizierung von drei Optionen.
Im Moment habe ich die erste Option, und die ist eindeutig schief. Das Problem ist, dass Neuro nur eine der Varianten gut lernt, konventionell nur "Katzen" gut sieht und Hunde schlecht erkennt. Bei Backtests sind die Modelle beispielsweise gut darin, eine Kursbewegung nach oben zu erkennen und eine Abwärtsbewegung zu ignorieren. Wenn die Schätzung nach oben 67 % beträgt, schätzt das gleiche Modell nach unten nur 55 %. "Oben" und "unten" können von Modell zu Modell den Platz wechseln.
Es gibt zwei Gruppen von Punkten, ich erinnere mich nicht, wie diese Punkte heißen, eine Erkennung auf dem Foto besteht darin, die Punkte der Augen, der Nase, des Mundes, der Ohren, des Wangenbereichs und den Abstand und die Position zwischen ihnen zu identifizieren. So einfach ist das. Wenn Sie also nur eine Katze zeigen, ist das nicht alles. Zuerst muss man trainieren, eine Katze von einer Katze und einen Hund von einem Hund zu unterscheiden, und erst dann kann man unterscheiden.
Und ja, nicht nur 2 Zyklen, sondern mehr in der Ausbildung, wenn es mehr als 2 Klassen gibt
Das Problem liegt hier nicht in den Klassifizierungsoptionen, sondern in der Unausgewogenheit der Trainingsbeispiele, die entweder in der Anzahl oder in den charakteristischen Eigenschaften der Beispiele unausgewogen sind.
Ein Faltungsnetzwerk ?
Unausgewogene Lernbeispiele können sehr wohl die Ursache sein, aber ich denke, man muss mit der Aktivierungsfunktion herumspielen. Die Antwort fällt in das falsche Loch, und es gibt eine Menge Löcher. Ich muss TensorBoard für die Zauberei lernen, aber es ist so mühsam...
Kurz gesagt, ich habe nicht genug Wissen.
Nein, nicht die Faltung, ich zeige keine echten Bilder).
Unausgewogene Lernbeispiele können sehr wohl die Ursache sein, aber ich denke, man muss mit der Aktivierungsfunktion herumspielen. Die Antwort fällt in das falsche Loch, und es gibt eine Menge Löcher. Ich muss TensorBoard für die Zauberei lernen, aber es ist so mühsam...
Ich weiß nicht genug.