Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2249
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
Wie kann man die Vorhersagbarkeit einer Reihe oder die Statynarität messen, ohne den Trend zu entfernen?
Was ist das Maß für die Serienstabilität?
Das Vorhandensein von stationären (beschrieben durch das gleiche mathematische Modell, oder wenn wir zerlegen, durch die Konstanz der Frequenzen und Amplituden in der gesamten Handlung). D.h. der kurze Abschnitt muss auf die gleiche Weise beschrieben werden wie der lange, oder die Beschreibung der verschiedenen kurzen Abschnitte im langen Abschnitt ist gleich.
Wenn die Frequenz des Rauschens mit der des Trägers übereinstimmt, ist es nicht schlimm, aber wenn es informativ ist, ist es schlimmer. Und natürlich muss die Amplitude des Rauschens kleiner sein.
Die Serienstabilität innerhalb eines Mattenmodells ist leicht zu verstehen. Aber wenn Modelle periodisch ändern, die Rate der Einrichtung eines stabilen Bereich, oder die Länge des Bereichs, in dem Modelle ändern, die Länge der stabilen Bereichen, die Konstanz der Frequenz und Amplitude Merkmale. Dies ist ein komplexes Konzept.
Das Vorhandensein von stationären (durch ein einziges mathematisches Modell beschrieben, oder ..................
Ich weiß nicht, wie man es implementiert.... vielleicht gibt es einen einfacheren Weg...
Ich möchte ein Netzwerk schaffen, das Marktkurse als Input nimmt und eine "vorhersehbarere" Reihe ausgibt
Aber ich brauche ein gewisses Maß an "Vorhersehbarkeit".
Ich weiß nicht, wie man es implementiert.... vielleicht gibt es einen einfacheren Weg...
Ich möchte ein Netzwerk erstellen, das Marktkurse als Inputs nimmt und eine "vorhersehbarere" Reihe ausgibt
Aber ich brauche ein gewisses Maß an "Vorhersehbarkeit".
Ich weiß nicht, wie man es implementiert.... vielleicht gibt es einen einfacheren Weg...
Ich möchte ein Netzwerk erstellen, das Marktkurse als Inputs nimmt und eine "berechenbarere" Reihe ausgibt
Aber ich brauche ein gewisses Maß an "Vorhersehbarkeit".
Ich weiß noch nicht, wie ich den Beginn der Stationarität genau definieren kann, denn er wird in der Geschichte definiert. Wie MA.
Es gibt kein Maß für die Vorhersagbarkeit einer nicht-stationären Reihe, sie kann nur für stationäre Abschnitte gelten. Es wäre gut, wenn das Netz diese Handlungsstränge zumindest zunächst einmal auf die Geschichte festlegen würde.
.
Als Option. Das Maß der Vorhersagbarkeit kann nicht mit einem einzigen Wert gemessen werden)
Bislang weiß die Wissenschaft nicht, wie sie den Beginn der Stationarität bestimmen kann, da diese durch die Geschichte definiert ist. Wie MA.
Es gibt kein Maß für die Vorhersagbarkeit einer nicht-stationären Reihe, sie kann nur auf stationären Diagrammen erfolgen. Wenn das Netz zumindest diese Grundstücke erst einmal auf die Geschichte festlegen würde, wäre das schon gut.
Du verstehst es nicht... Ich werde nichts vorhersagen, ich werde das Netzwerk zwingen, eine neue stationäre Serie zu erzeugen...
Ich habe kein Problem damit, mich auf die Geschichte festzulegen, solange es funktioniert...
Das ist es, wonach ich suche.
Du verstehst es nicht... Ich werde nichts vorhersagen, ich werde das Netzwerk zwingen, eine neue stationäre Serie zu erzeugen...
Mir gefällt die Definition von Geschichte, solange sie funktioniert.
Das ist es, wonach ich suche.
Entropie ist auch eine Option. Für mich ist das ein kompliziertes Konzept. Das ist wie die Stabilität des Eigenkapitals. Sie kann auch nicht durch einen einzigen Parameter beschrieben werden.
Ja, Sie haben Recht, wenn der Merkmalsvektor in eine Matrix umgewandelt und in die Faltung eingespeist wird, ändert sich nicht viel (bereits überprüft :))) In meinem Fall besteht die Idee darin, die Eigenschaft des Faltungsnetzes, nach lokalen Vorlagen zu suchen und diese zu verwenden, maximal zu nutzen. Diese Muster sind translationsinvariant, d. h. eine mehrschichtige Faltung kann das gleiche Muster an verschiedenen Stellen im Bild finden. Auf die gleiche Weise erlaubt es die Architektur mit zwischengeschalteter aggressiver Feature-Map-Reduktion, eine Hierarchie zwischen Templates auf verschiedenen Faltungsebenen zu bilden. Ich versuche also, eine grafische Interpretation eines Zitats zu finden, das der Faltung erlaubt, diese Templates zu finden.
Für unsere Zwecke ist convLSTM wahrscheinlich besser geeignet. D.h. Faltung unter Berücksichtigung räumlicher und zeitlicher Parameter. Beispiele können Sie hier und hier sehen. Ich werde es nächste Woche mit der Taschenlampe ausprobieren und sehen, wie es funktioniert. Es gibt eine Implementierung in PyTorch
Viel Glück!
Über tsos, ns, Fehler der 1. und 2.
Ich habe bis zur Hälfte des Textes gelesen und dann mit einem Lachen aufgehört.
Zufallszahlen. Ein neuronales Netz, das diese Gewichte verwendet, hat zwar die richtige Input-Output-Beziehung, aber warum diese praktischen Gewichte funktionieren , bleibt ein Rätsel. Diese mystische Eigenschaft der neuronalen Netze ist der Grund, warum viele Wissenschaftler und Ingenieure sie meiden. Man denke nur an all die wissenschaftliche Fiktion, die von Computerabtrünnigen verbreitet wird.
Ich denke, der Autor ist sehr weit von NS entfernt, sogar noch weiter als ich))