Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1015
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
Streng genommen müssen wir bei einer rollierenden Stichprobe von Rückkehrern den ACF-Schätzer für diese diskrete Reiheberechnen . Wenn sie periodisch ist, dann wird der nächste Rückkehrer von Kolmogorov zu 100% vorhergesagt. Aber ich kenne das Kriterium für die Bewertung der ACF-Periodizität nicht. Ich kann es nicht nur mit den Augen sehen.
Wärmer.
Erweitern wir die Gruppe der nicht so häufigen Prädiktoren für Vorhersagemodelle.
Von hier aus
Meta-Lernen für die Vorhersage von Zeitreihen
Thiyanga S Talagala, Rob J Hyndman und George Athanasopoulos
Nur der göttliche Guru und ein paar seiner Padawane fügen dort Leute hinzu, werfen Sie mir Ihr Skype und Daten über sich selbst in eine private Nachricht, ich werde fragen, aber ich verspreche nichts, weil ich dort keine Autorität bin, nur ein körperloser Geist, Schmutz auf Pantoffeln. Das sind die grauen Kardinäle, Puppet und Co., die für ihre marktnahen Aktivitäten entdeckt werden, mit Schande auf Lebenszeit gebrandmarkt werden, die Schande kann nur für zig Milliarden Greenbacks weggewaschen werden.
Danke, ich bin nicht so sehr an der Mitgliedschaft interessiert, die, wie ich weiß, mit erheblichen Schwierigkeiten verbunden ist, sondern an der Ebene, die wahrscheinlich nicht weniger wichtig ist.
Sie haben geschrieben, dass diese Gruppe eine einheitliche Darstellung von IO-Modellen anstrebt, das sind die Modelle, die ich gerne sehen würde.
Ich bin bereit, auch meine eigenen, bescheidenen Entwicklungen zum Vergleich zu zeigen, ich serialisiere trainierte Modelle im Binär- oder Textformat und als Quellcode.
Wärmer.
Erweitern Sie die Menge der nicht so häufigen Prädiktoren für Vorhersagemodelle.
Von hier aus
Meta-Lernen für die Vorhersage von Zeitreihen
Thiyanga S Talagala, Rob J Hyndman und George Athanasopoulos
Ein guter Überblicksartikel. Nur ist meiner Meinung nach die Menge der betrachteten Zeitreihen für uns zu groß. Ich würde gerne eine ähnliche Überprüfung der Methoden sehen, aber für die Art von Serien, an denen wir interessiert sind.
Ich würde auch gerne einige neue Methoden und Modelle sehen. Es gibt zum Beispiel die anomale Diffusion(populärer).
Ein guter Überblicksartikel. Nur ist meiner Meinung nach die Vielzahl der betrachteten Zeitreihen für uns zu groß. Ich würde gerne eine ähnliche Übersicht über die Methoden sehen, aber für die Art von Serien, die uns interessieren.
Ich würde auch gerne einige neue Methoden und Modelle sehen. Es gibt zum Beispiel die anomale Diffusion(populärer).
Ich habe diesen Link wegen der Tabelle zitiert: Es ist ein neuer Blick auf die Prädiktoren und eine Weiterentwicklung von Alexanders Idee über ACF.
Ich habe den Link wegen der Tabelle mitgebracht: ein neuer Blick auf die Prädiktoren und als Weiterentwicklung von Alexanders Gedanken über ACF.
Hätte er doch nur diese anomale Verbreitung und ihre Anwendung auf dem Markt untersucht, anstatt sich und uns mit 70 Jahre alten Modellen zu quälen. Das wäre eine nützliche Anwendung seines enormen Enthusiasmus und seiner Leibeserziehung.
Der ZZ-Parameter ist für jedes Instrument und jeden Zeitrahmen unterschiedlich. Zum Beispiel für EURUSD M15 ein guter Anfangswert von 15 Pips (4 Ziffern). Es hängt auch davon ab, welche Prädiktoren Sie verwenden. Es ist eine gute Idee, alle Parameter der Prädiktoren und ZZ zu optimieren. Daher ist es wünschenswert, nicht-parametrische Prädiktoren zu haben, denn das macht das Leben viel einfacher. In dieser Eigenschaft zeigen digitale Filter gute Ergebnisse. Bei Verwendung von Ensembles und Kaskadenkombinationen erhielt ich eine durchschnittliche Genauigkeit von 0,83. Dies ist ein sehr gutes Ergebnis. Morgen sende ich Ihnen einen Artikel zur Überprüfung, in dem das Verfahren beschrieben wird.
Viel Glück!
Und wie findet man die ZZ-Einstellungen heraus, indem man einfach verschiedene Modelle ausprobiert, und dasjenige, das mit diesen Einstellungen das beste Ergebnis liefert, ist das beste?
Warum bevorzugen Sie Punkte für ZZ anstelle von Zeit (Balken)?
Und wie findet man die ZZ-Einstellungen heraus, indem man einfach verschiedene Modelle ausprobiert, und dasjenige, das mit diesen Einstellungen das beste Ergebnis liefert, ist das beste?
Warum bevorzugen Sie Punkte für ZZ anstelle von Zeit (Balken)?
1. Es gibt verschiedene Methoden zur Optimierung der
2. aus Erfahrung.
Viel Glück!
Gestern kam mir ein Gedanke: Warum suchen wir nach Entscheidungsbäumen, d. h. nach einem Modell, das eine Entität beschreibt? Das heißt, warum sollten wir überhaupt das ganze Gebilde beschreiben, vielleicht sollten wir einfach nach den Teilen dieses Gebildes suchen, die am verständlichsten und vorhersehbarsten sind? Da ich Blätter von Bäumen sammle, dachte ich, dass ich vielleicht eine Methode verwenden sollte, um solche Blätter zu finden, ohne einen vollständigen Entscheidungsbaum zu konstruieren, was meines Erachtens bei gleichem Rechenaufwand zu einer Qualitätssteigerung führen sollte.
Ich habe das Internet durchsucht und nirgends eine solche Methode gefunden. Vielleicht weiß jemand von solchen Entwicklungen?
Während ich den Algorithmus ausarbeite, denke ich, dass ich zuallererst Prädiktoren auswählen muss, die die Vorhersagefähigkeit einer der Klassen zeigen, dabei müssen die Prädiktoren binär gemacht werden (dafür muss ich meine eigene Stichprobe für jeden Prädiktor bilden oder Ausschlussmargen aus der allgemeinen Stichprobe bilden (was ist sinnvoller?)). Dann verwenden Sie bereits ausgewählte Prädiktoren (und deren Kombinationen), um Stubs für eine bestimmte Klasse (in meinem Fall 3 Klassen) zu erstellen, und verwenden diese Stubs dann, um die restlichen Prädiktoren zu erstellen. Gleichzeitig können wir sie auch auf die Bevorzugung einer bestimmten Klasse prüfen. Dann werden wir, entsprechend der Idee, die Bereiche finden, die sich am besten für die Klassifizierung der spezifischen Zielklassen eignen. Und der restliche Bereich wird einfach ein Feld der Untätigkeit/Erwartung sein.
Natürlich können wir dann sehen, wo die Blätter übereinander liegen, und in diesen Fällen ein durchschnittliches Ergebnis erzielen. Und wir können einen solchen Baum aufbauen, allerdings mit Abstimmungselementen aufgrund der Dichte in verschiedenen Bereichen der verschiedenen Ziele.
Was halten Sie von dieser Idee?
1. Es gibt verschiedene Methoden der Optimierung
2. aus Erfahrung.
Viel Glück!
1. Das ist es, was ich über diese Methoden wissen möchte. Weil ich mein Fahrrad wieder neu erfinde (ich habe die Ideologie bereits skizziert), und plötzlich ist alles schon vor uns gemacht worden...
2. Ich verstehe. Aber es ist unvernünftig.
Vladimir, könnten Sie einige Methoden der "zukünftigen Auswahl" (oder etwas Ähnliches) vorschlagen, die jedoch auf BP anwendbar sind? Ich weiß nicht, ob es eine Methode der "Zukunftsauswahl" (oder so ähnlich) in Bezug auf BP gibt, vielleicht analysiert der Algorithmus BP und entfernt oder fügt etwas hinzu, um die Vorhersage besser zu machen, Google konnte mir nicht helfen(