Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2762
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
Sind indirekte Anzeichen möglich? Zum Beispiel kämpfen Katzen und Hunde oft, aber Hunde jagen eher Katzen. Wir haben zwei Objekte und ihre Bewegungen.
Im Prozess des "Denkens" und der Multiplikation der Gewichte hat das neuronale Netz uns klassifiziert, dass ein Objekt immer vor und das andere hinter ihm läuft (MA_5[0] > MA_10[0]), und eine Annahme gemacht: Bewegt sich der Hund jetzt vorwärts?
Jetzt weiß das neuronale Netz, wie es anhand des Kampfes und der Bewegung der Objekte feststellen kann, wer eine Katze und wer ein Hund ist. Gleichzeitig wurden ihm keine Pfoten, Haarstücke, Zähne, Bellen oder Miauen als Eingabe gegeben.
Das heißt, das Merkmal stellt in diesem Fall keine Teilinformation über das zu klassifizierende Objekt dar, aber eine Lösung ist möglich.
dies sind keine Zeichen - es sind Dynamiken der Prozessentwicklung in der Zeit - dynamische Reihen ...
und Abhängigkeiten werden als stationäre Reihen untersucht ...
(aber die Zeit kann auch als Zeichen bezeichnet werden - exogen, der Zeitfaktor fügt Dynamik hinzu).
Sie haben weder Miau noch Haare auf dem Input bekommen, aber Sie haben eine Glättung der Trajektorie bekommen - neuronalen Netzen ist es egal, was Sie annähern - es ist nur so, dass die Dynamik das Ergebnis immer mit einer Verzögerung zeigt - eben weil sie den Zeitfaktor als Fenster braucht, um eine Stichprobe zu sammeln und die Änderungsrate der abhängigen Variable von der Zeit zu schätzen ... ABER die Abhängigkeit (von der Zeit) muss da sein, um die Dynamik zu analysieren (sie ist es, die du in das Modell, das du beschreibst, einbringst - wenn du die Dinge beim Namen n ennst "was ist der Faktor und was willst du wissen/auswerten" im Modell - dann gibt es weniger Geschreibsel im (Un-)Verständnis im Forum)...
lineare Gleichung - zeigt die Geschwindigkeit (Tangente an einem Punkt der Bahnkurve), quadratische (Parabel) zeigt auch die Beschleunigung... und die Konvergenz von (f-a)^2 wird in der Zeit ausgewertet und zeigt das Ergebnis auf einem endlichen Segment dieses Zeitfensters - MLE (Maximum Likelihood Estimation) funktioniert immer auf die gleiche Weise, zumindest bei der Annäherung an die Statik, zumindest bei der Entzerrung der Dynamik.
wenn man nicht darüber nachdenkt, was man betrachtet - einen Faktor (qualitativ/quantitativ) oder seine Dynamik (+ Zeitfaktor) - kann man Abhängigkeiten und Entwicklungsmuster nicht unterscheiden - und deshalb versteht man nicht, was man analysiert und ob es das ist, was man wirklich braucht und was wovon abhängt... und Einschränkungen der Art der Analyse - Analysen der Dynamik zeigen IMMER Ergebnisse mit einer Verzögerung.
wirklich, ermüdende Auseinandersetzungen darüber, wer was schief anschaut und was schief sieht und es schief interpretiert, und wie schief er selbst von seinen Interpretationen versteht und andere zu überzeugen versucht, und einige in den Beiträgen oben sogar mit Schaum vor dem Mund.... von was für einem wissenschaftlichen streit kann man reden? wenn man alles und jeden so weit abstrahiert, dass man mit seiner sprachfreiheit bedeutungen verdreht -- es gibt keine sprachfreiheit in den naturwissenschaften! es gibt exakte formulierungen und deren exakte bedeutungen ... nicht pseudowissenschaftliches wissen ... nicht pseudowissenschaftliches Wissen, das Sie hier aufgrund Ihrer Unkenntnis der Grundlagen propagieren (und als Argumente zu präsentieren versuchen)_
Sie erstellen solche Modelle (Kurven) - ohne zu wissen, was als Ergebnis der Modellierung auf den Output (das, was Sie wissen wollen) zu setzen ist ... Von welchen Faktoren sind Sie an dieser Abhängigkeit interessiert?
In diesem Thread ist oft alles zu subjektiv, so dass es unmöglich ist, zu Objektivität zu gelangen (was das wahre und wichtigste Ziel der Modellierung ist).
dies sind keine Zeichen - es ist die Dynamik der Entwicklung eines Prozesses im Laufe der Zeit - eine dynamische Reihe ...
und Abhängigkeiten werden als stationäre Reihen untersucht....
(aber die Zeit kann auch als Vorzeichen bezeichnet werden - exogen, der Zeitfaktor fügt Dynamik hinzu).
Sie haben weder Miau noch Haare auf der Eingabe bekommen, aber Sie haben eine Glättung der Trajektorie bekommen - das neuronale Netz kümmert sich nicht darum, was Sie annähern - nur die Dynamik zeigt das Ergebnis immer mit einer Verzögerung - genau deshalb, weil es den Zeitfaktor als Fenster braucht, um eine Probe zu sammeln und die Änderungsrate der abhängigen Variable von der Zeit zu schätzen ... ABER die Abhängigkeit (von der Zeit) muss da sein, um die Dynamik zu analysieren (sie ist es, die Sie in das von Ihnen beschriebene Modell einbringen - wenn Sie die Dinge beim Namen nennen "was ist der Faktor und was wollen Sie wissen/auswerten" im Modell - dann gibt es weniger Geschreibsel im (Nicht-)Verstehen im Forum)...
lineare Gleichung - zeigt die Geschwindigkeit (Tangente an einem Punkt der Bahnkurve), quadratische (Parabel) zeigt auch die Beschleunigung... und die Konvergenz von (f-a)^2 wird zeitlich ausgewertet und zeigt das Ergebnis auf einem endlichen Segment dieses Zeitfensters - MLE (Maximum Likelihood Estimation) funktioniert immer gleich, zumindest bei der Annäherung an die Statik, zumindest beim Ausgleich der Dynamik
wenn man nicht darüber nachdenkt, was man betrachtet - einen Faktor (qualitativ/quantitativ) oder seine Dynamik (+ Zeitfaktor) - kann man Abhängigkeiten und Entwicklungsmuster nicht unterscheiden - und deshalb versteht man nicht, was man analysiert und ob es das ist, was man wirklich braucht und was wovon abhängt... und die Grenzen der Analyseart - Analysen der Dynamik zeigen IMMER Ergebnisse mit einer Verzögerung
wirklich, ermüdende Argumente darüber, wer was schief anschaut und was schief sieht und es schief interpretiert, und wie schief er selbst von seinen Interpretationen versteht und andere zu überzeugen versucht, und einige in den Beiträgen oben sogar mit Schaum vor dem Mund.... von was für einem wissenschaftlichen streit kann man reden? wenn man alles und jeden so weit abstrahiert, dass man mit seiner sprachfreiheit bedeutungen verdreht -- es gibt keine sprachfreiheit in den naturwissenschaften! es gibt exakte formulierungen und deren exakte bedeutungen ... nicht pseudowissenschaftliches wissen ... nicht pseudowissenschaftliches Wissen, das Sie hier aufgrund Ihrer Unkenntnis der Grundlagen propagieren (und als Argument vorbringen wollen)_
Sie erstellen solche Modelle (Kurven) - ohne zu wissen, was als Ergebnis der Modellierung auf den Output (das, was Sie wissen wollen) zu setzen ist ... und von welchen Faktoren Sie an dieser Abhängigkeit interessiert sind
In diesem Thread ist oft alles zu subjektiv, so dass es unmöglich ist, zu Objektivität zu gelangen (was das wahre und wichtigste Ziel der Modellierung ist).
Ich danke Ihnen für die ausführliche Antwort.
Sind indirekte Anzeichen möglich? Zum Beispiel kämpfen Katzen und Hunde oft, aber Hunde jagen eher Katzen. Wir haben zwei Objekte und ihre Bewegungen. Die Aufgabe besteht darin, zu bestimmen, welches von ihnen eine Katze und welches ein Hund ist, nachdem wir einmal anhand von Sachdaten geprüft haben, und in der Folgezeit unabhängig zu bestimmen, wer wer ist. Wir wissen mit Sicherheit, dass eines der beiden Objekte eine Katze und das andere ein Hund ist, aber wir können weder ihre Silhouette sehen noch sie hören, wir können nicht einmal ihre Spuren sehen, sondern nur die Koordinaten der Bewegung. Wir füttern das neuronale Netz mit der Bewegung der Objekte hin und her (KAUF-VERKAUF). Im Prozess des "Denkens" und der Multiplikation der Gewichte hat das neuronale Netz uns eingestuft, dass ein Objekt immer vor und das andere hinter ihm läuft (MA_5[0] > MA_10[0]), und eine Vermutung aufgestellt: Bewegt sich der Hund jetzt vorwärts? Er überprüfte dies mit den tatsächlichen Daten und erhielt die Antwort (NEIN), korrigierte die Daten, nahm an, dass es sich um eine Katze handelte, und überprüfte sie - (JA). Jetzt weiß das neuronale Netz, wie es anhand des Kampfes und der Bewegung von Objekten bestimmen kann, wer eine Katze und wer ein Hund ist. Gleichzeitig wurde es nicht mit Pfoten, Haaren, Zähnen, Bellen oder Miauen gefüttert.
Es scheint also, dass das neuronale Netz mit vielen Dingen gefüttert werden kann und es wird etwas finden und es so finden(Hercule Poirot), dass es die notwendige Antwort gibt. Das heißt, das Merkmal stellt in diesem Fall keine Teilinformation über das zu klassifizierende Objekt dar, aber eine Lösung ist möglich.
wirklich, ermüdende streitereien darüber, wer was schief anschaut und was schief sieht und es schief interpretiert, und wie schief er selbst von seinen interpretationen versteht und andere zu überzeugen versucht, und manche in den posts oben sogar mit schaum vor dem mund.... von was für einem wissenschaftlichen streit kann man reden? wenn man alles und jeden so abstrahiert, dass man mit seiner sprachfreiheit bedeutungen verdreht -- es gibt keine sprachfreiheit in den naturwissenschaften! es gibt exakte formulierungen und deren exakte bedeutungen ... nicht pseudowissenschaftliches wissen ... nicht pseudowissenschaftliches Wissen, das Sie hier aufgrund Ihrer Unkenntnis der Grundlagen propagieren (und als Argument zu präsentieren versuchen)_
Sie erstellen solche Modelle (Kurven) - ohne zu wissen, was als Ergebnis der Modellierung auf den Output (das, was Sie wissen wollen) zu setzen ist ... und von welchen Faktoren Sie an dieser Abhängigkeit interessiert sind
In diesem Thread ist oft alles zu subjektiv, so dass es unmöglich ist, zu Objektivität zu gelangen (was das wahre und wichtigste Ziel der Modellierung ist).
Wirklich ermüdende Argumente in verschiedenen Sprachen)))))) Es wäre gut ohne Emotionen, mit einer wörtlichen und klaren Erklärung des Verständnisses.... aber wie üblich wird selten verstanden, dass die Menschen unterschiedlich sind und viele Ähnlichkeiten unterschiedlich verstehen. ))))
Präzise Formulierungen und exakte Terminologie sind an der Front eines wissenschaftsähnlichen Gebietes (im Stadium der neuen Forschung) leider nicht möglich, deshalb sind die Erklärungen des eigenen Verständnisses in diesem Thread entscheidend für die Ergebnisse der hier holivars)))))
Wirklich ermüdende Argumente in verschiedenen Sprachen)))))) Es wäre gut ohne Emotionen, mit wortwörtlicher und klarer Erklärung des Verständnisses ... aber wie üblich wird selten begriffen, dass die Menschen unterschiedlich sind und viele Gemeinsamkeiten anders verstehen.))))
Genaue Formulierungen und exakte Terminologie sind an der Front eines wissenschaftsähnlichen Gebietes (im Stadium der neuen Forschung) leidernicht möglich, deshalb sind Erklärungen des eigenen Verständnisses in diesem Thread entscheidend für die Ergebnisse hier holivars)))))
Es gibt hier keinen Fortgeschrittenen, es gibt NICHT die Kenntnis der verfügbaren Werkzeuge. Ein Fortgeschrittener kann sich bilden, wenn er die vorhandenen Werkzeuge beherrscht und versucht, die darin erkannten Mängel zu beseitigen.
Absolut präzise Formulierungen sind in allen Fällen möglich, wenn die Begriffe durch Code unterstützt werden.
Ein Beispiel: Neuronales Netz ist ein verallgemeinernder Begriff ohne spezifischen Inhalt.
Ein neuronales Netz im nnet-Paket hingegen hat einen absolut präzisen Inhalt.
In ähnlicher Weise ist der von mir und einigen anderen Autoren verwendete Begriff "Vorhersagefähigkeit des Prädiktors" ebenfalls ein verallgemeinernder Begriff, aber "Vorhersagefähigkeit", verstanden als die Differenz zwischen den Medianen zweier Vektoren, die man erhält, wenn man den Prädiktor durch Klassen dividiert, ist absolut präzise.
Die NS-Eingabe wird mit Merkmalen und die Ausgabe mit Klassenbezeichnungen gespeist.
Die Merkmale sind die wirklichen Ursachen unter dem Rauschen (nicht die Merkmale, die wir brauchen), nach denen wir suchen, die Klassenbezeichnungen sind die Ergebnisse, die wir brauchen, ich stimme Sanych zu: Das Ziel-Prädiktoren-Paar ist verwandt und das Paar existiert genau deshalb, weil sie verwandt sind.
Und sie sind schwer zu finden)
Attribute sind zeitliche Inkremente unter anderen zeitlichen Inkrementen oder in einer Reihe, einfach der Reihe nach, ohne Berücksichtigung der Zeit. Die Inkremente können sowohl einzeln, relativ zu den vorhergehenden, als auch als Figur oder Funktion oder Muster aufeinanderfolgender Inkremente betrachtet werden. Um sie zu finden, untersuchen wir ein Diagramm, ein Fenster, aber für verschiedene Merkmale benötigen wir unterschiedliche Größen dieses Fensters. Sanychs Ansatz besteht darin, dies für jedes neue Datenergebnis zu tun, Ihrer nur für das, das als notwendig identifiziert wurde.
Auch die Klassenbezeichnungen/Ergebnisse, die wir brauchen, um die richtigen zu finden, sind eine separate Aufgabe.
Ich denke, ich habe alles richtig verstanden))))?
Die Zeichen sind die wirklichen Ursachen inmitten des Rauschens (nicht die Zeichen, die wir brauchen), nach denen wir suchen, die Klassenbezeichnungen sind die Ergebnisse, die wir brauchen, ich stimme mit Sanych überein: Das "Ziel-Prädiktoren"-Paar ist verwandt und das Paar existiert genau deshalb, weil es verwandt ist.
Und sie sind schwer zu finden)
Attribute sind zeitliche Inkremente unter anderen zeitlichen Inkrementen oder in einer Reihe, einfach der Reihe nach, ohne Berücksichtigung der Zeit. Die Inkremente können sowohl einzeln, relativ zu den vorhergehenden, als auch als Figur oder Funktion oder Muster aufeinanderfolgender Inkremente betrachtet werden. Um sie zu finden, untersuchen wir ein Diagramm, ein Fenster, aber für verschiedene Merkmale brauchen wir verschiedene Größen dieses Fensters. Der Ansatz von Sanych ist, dass dies für jedes neue Datenergebnis geschehen sollte, d.h. nur für dasjenige, das als notwendig erachtet wird.
Auch die Klassenbezeichnungen/Ergebnisse, die wir brauchen, um die richtigen zu finden, sind eine separate Aufgabe.
Ich glaube, ich habe alles richtig verstanden)))))?
Hier gibt es keinen Vorsprung, es gibt NICHT die Kenntnis der verfügbaren Werkzeuge. Ein Vorsprung kann erst dann entstehen, wenn man die verfügbaren Werkzeuge beherrscht und versucht, die darin festgestellten Mängel zu beseitigen.
Eine absolut präzise Formulierung ist in jedem Fall möglich, wenn die Begriffe durch einen Code unterstützt werden.
So ist beispielsweise "neuronales Netz" ein verallgemeinernder Begriff ohne spezifischen Inhalt.
Aber neural network im nnet-Paket hat einen absolut präzisen Inhalt.
In ähnlicher Weise ist der von mir und einigen anderen Autoren verwendete Begriff "Vorhersagefähigkeit des Prädiktors" ebenfalls ein verallgemeinernder Begriff, aber "Vorhersagefähigkeit", verstanden als die Differenz zwischen den Medianen zweier Vektoren, die man erhält, wenn man den Prädiktor durch Klassen teilt, ist absolut präzise.
Ich werde mich nicht streiten, ich stimme zu, dass alles im Code absolut genau ist.
Natürlich ist es nicht möglich, ein vollständiges Verständnis zwischen den Teilnehmern zu erreichen, wenn sie die Instrumente nicht kennen oder einen unterschiedlichen Kenntnisstand haben. Aber auch kategorische Anforderungen, sie zu studieren, sind nicht immer gut für ein volles Verständnis. Außerdem kann der Gegenstand des Streits/des Holivars genau genug definiert werden.
Es ist notwendig, klassifizierte Objekte mit ihren Attributen zu definieren. Was ist ein Kauf- oder Verkaufsgeschäft und was sind seine Merkmale. Wie sie sich unterscheiden.
Die Zeichen von Geschäften sind ihre Ergebnisse, Eigenschaften von Geschäften sind immer noch da, aber die Zeichen für eine Entscheidung über Geschäfte sind Inkremente und Zeit (ich mag die Seriennummer nicht).