Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2043

 
Alexander_K:

Hmm ... Ich werde es mir ansehen. Ich habe noch nicht mit TF über M15 gearbeitet...

Wo ist Ihr Signal? Ich habe sie in meine Favoritenliste aufgenommen, damit ich sie mir leichter ansehen kann, aber jetzt ist sie weg. Was ist passiert?

 
Oleg avtomat:

Wo ist Ihr Signal? Ich habe sie in meine Favoritenliste aufgenommen, um sie leichter aufrufen zu können, aber jetzt ist sie weg. Was ist passiert?


Er muss den Gral gefunden haben und in das Stille Haus gegangen sein. )

 

Interessantes Video, Maxim Ist das der Ansatz, den Sie verfolgen?

Нейрохакатон: классификация сигналов ЭЭГ сверточными нейросетями — Андрей Киселев — Смотреть в Эфире
Нейрохакатон: классификация сигналов ЭЭГ сверточными нейросетями — Андрей Киселев — Смотреть в Эфире
  • yandex.ru
Андрей Киселев рассказывает про задачу классификации действий людей по сигналам электроэнцефалограмм, которая решалась в рамках хакатона по нейронаук…
 
Und das ist in etwa das, was ich tue. Interessanterweise sagen die beiden Autoren aus dem Video oben und unten das Gegenteil - der eine sagt, die Netze funktionieren nicht, der andere, die Bäume schon :)
Kaggle Melbourne: прогнозирование эпилептических приступов — Олег Паничев — Смотреть в Эфире
Kaggle Melbourne: прогнозирование эпилептических приступов — Олег Паничев — Смотреть в Эфире
  • yandex.ru
Олег Паничев рассказывает про задачу прогнозирование эпилептических приступов на основе анализа электроэнцефалограмм (Kaggle Melbourne University Sei…
 
Aleksey Vyazmikin:

Interessantes Video, Maxim Ist das der Ansatz, den Sie verfolgen?

Irgendwie schon, aber ich habe es noch nicht getan), da ich wenig Vertrauen in den Erfolg habe.

Netze funktionieren besser bei homogenen Daten wie Bildern oder Signalen. Bäume eignen sich besser für heterogene, d. h. viele verschiedene nicht normalisierte Merkmale.

wie lange gibt es yandexair schon? ich wusste nicht, dass es ein youtube-pendant gibt

WIE auch immer, hier sind Beispiele für die coolste Sache, die wir im Moment für Zeitreihen haben - Transformers

https://timeseriestransformer.readthedocs.io/en/latest/notebooks/trainings/training_2020_04_27__093505.html

aber es sieht alles nach einer verzögerten Vorhersage aus, genau wie bei LSTM. Als ob der aktuelle Wert der Reihe die beste Vorhersage für den nächsten Wert wäre, wie in SB
 

Ich habe eine Bitte !!!

Ich muss ein einfaches Skript für mt4 schreiben!

Die Quintessenz ist folgende

1) Ich drücke mit der Maus auf einen bestimmten Candlestick

2) Das Skript schreibt in ein Notizbuch das Datum, die Uhrzeit und den Schlusskurs dieser Kerze

Das war's!!!

 
Maxim Dmitrievsky:

irgendwie schon, aber ich habe es noch nicht getan), da ich wenig Vertrauen in den Erfolg dieses Unterfangens habe.

Netze funktionieren besser bei homogenen Daten, wie Bildern oder Signalen. Bäume eignen sich besser für heterogene Daten, z. B. viele verschiedene nicht normalisierte Merkmale.

wie lange gibt es yandexair schon? ich wusste nicht, dass es ein youtube-pendant gibt

WIE auch immer, hier sind Beispiele für die coolste Sache, die wir im Moment für Zeitreihen haben - Transformers

https://timeseriestransformer.readthedocs.io/en/latest/notebooks/trainings/training_2020_04_27__093505.html

Die Zeitserie ist im Moment die coolste - Transformers.

Transformers from scratch
  • peterbloem.nl
I will assume a basic understanding of neural networks and backpropagation. If you’d like to brush up, this lecture will give you the basics of neural networks and this one will explain how these principles are applied in modern deep learning systems. Self-attention The fundamental operation of any transformer architecture is the self-attention...
 
Valeriy Yastremskiy:

Mehr über Tranformers Die Übersetzung ist mehr oder weniger selbsterklärend.

Ich habe es in meinen Favoriten) Ich glaube, ich habe es schon einmal geworfen

 

GRU auf zufälligen Etiketten in einem kleinen Datensatz

Epoche 20 train err: 0.3469601273536682 tst err: 0.40891700983047485

Was könnten die Vor- und Nachteile eines solchen Stichprobenverfahrens sein?

def add_labels(dataset, min, max, markup):          #min, max - минимальная\максимальная продолжительность сделки, в барах
    labels = []                                     #сюда сохраняем метки
    for i in range(dataset.shape[0]-max):
        rand = random.randint(min,max)              #случайно выбираем продолжительность следующей сделки
        if i == 0:                                  #если это первый элемент массива, заполняем значениями 0.5, rand-1 штук\
            for a in range(rand-1):                 #поскольку нет более ранних цен для определения метки       
                labels.append(0.5)
        if dataset['close'][i] > (dataset['close'][i + rand] + markup):    #если текущая цена больше чем цена + rand баров вперед\
                labels.append(1.0)                                         #то метка 1.0 (продажа)
        elif dataset['close'][i] < (dataset['close'][i + rand] - markup):  #если меньше, то покупка
                labels.append(0.0)              
        else:
                labels.append(0.5)
    dataset = dataset.iloc[:len(labels)].copy()
    dataset['labels'] = labels
    return dataset

Jetzt werde ich ein Cuda-Paket für die Videokarte installieren und die Videokarte für die Berechnung von Big Data verwenden.

Bei den Chips handelt es sich um inkrementelle Sequenzen, 15 Stück pro Eingang, die man hochfahren kann.

 
Maxim Dmitrievsky:

irgendwie schon, aber ich habe es noch nicht getan), da ich wenig Vertrauen in den Erfolg dieser Aktivität habe.

Wenn ich das Video richtig verstehe, gibt es eine Funktion/Bibliothek, die in einem Faltungsnetzwerk nach Zeichen sucht, d.h. nach vorgefertigten Schablonen, mit denen Muster/Prädiktoren gefunden werden sollten - ich frage mich, was man dort zu finden erwartet, wie diese Maske gemacht wurde - was ist die Logik, wissen Sie das zufällig?


Maxim Dmitrievsky:


wie lange gibt es yandexair schon? ich wusste nicht, dass es ein youtube-pendant gibt

Für eine lange Zeit, etwa zwei Jahre, glaube ich, ist das der Fall.

Maxim Dmitrievsky:

Z.Y. Hier sind Beispiele für das Coolste, was es derzeit für Zeitserien gibt - Transformers

https://timeseriestransformer.readthedocs.io/en/latest/notebooks/trainings/training_2020_04_27__093505.html

aber es sieht alles nach einer verzögerten Vorhersage aus, genau wie bei LSTM. Als ob der aktuelle Wert der Reihe die beste Vorhersage für den nächsten Wert wäre, wie in SB

Ich bin mir nicht sicher, ob unsere Eingabedaten für dieses Netz geeignet sind - auf den Bildern ist es zu glatt.