Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1291
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
Außerdem gibt es die coole Software KNIME, die alle Arten von Datenanalyse und -visualisierung unterstützt
kostenlos und ohne Programmierung
Man kann nicht die ganze Software studieren). Sie können mit einer Sache arbeiten - R, Python oder etwas anderem. Halten Sie bei etwas an. Und das ist genug. Es sei denn, Sie müssen.)
Botaniker, alle Arten von Bäumen und Wäldern können etwas, na ja, zumindest diagonal oder schräg bauen? Bei allen Exemplaren sehe ich nur Kombinationen von horizontalen und vertikalen Unterteilungen.
Man kann nicht die ganze Software erlernen.) Sie können sich mit einer Sache begnügen - R, Python oder etwas anderem. Das ist genug. Es sei denn, Sie müssen es.)
Botaniker, alle Arten von Bäumen und Wäldern können alles bauen, na ja, zumindest diagonal oder schräg? Bei allen Exemplaren sehe ich nur Kombinationen von horizontalen und vertikalen Unterteilungen.
Das können sie nicht... er mag keine Ovale, seit er ein Kind war, er hat schon als Kind Winkel gezeichnet. Es handelt sich um binäre Spaltungen, nicht um sigmoidale.
Boosting scheint dazu in der Lage zu sein, aber ich bin mir nicht sicherEr mag keine Ovale, seit er ein Kind war, er hat von klein auf Winkel gezeichnet. Es handelt sich um binäre Splits, nicht um Sigmoide.
Ich möchte kein parallelepipedisches Quadrat, aber zumindest ein Polygon. Könnte nicht 2x+3u-7z > N sein? Es ist nur eine schräge Ebene. Woher weiß ich im Voraus, dass eine solche Aufteilung die beste ist?
Ich möchte zwar kein Quader, aber zumindest ein Polygon. Könnte nicht 2x+3u-7z > N sein? Es ist nur ein Flugzeug. Wie kann ich sicher sein, dass eine solche Einteilung richtig ist?
Es ist klar, dass es besser ist, den Baum mit vorgefertigten Merkmalen für die Klassifizierung zu füttern, aber die Extraktion dieser Merkmale, d.h. die Erstellung von Prädiktoren, ist eine machbare Aufgabe für neuronale Netze.
Übrigens, vielleicht gibt es neuronale Netze für das Clustering, wenn die Aufgabe darin besteht, kompliziertere Merkmale auf einer aus anderen einfachen Merkmalen transformierten Probe zu finden?
Ich möchte kein Quadrat-Parallelepiped, aber zumindest ein Polygon. Könnte nicht 2x+3u-7z > N sein? Es ist nur ein Flugzeug. Wie kann ich sicher sein, dass eine solche Einteilung richtig ist?
Bei bekannten, linear getrennten Punkten funktioniert es nicht gut, ansonsten macht es angeblich keinen Unterschied. Ich habe gehört, dass der Forest eher für die Suche nach unbekannten "Mustern" verwendet wird, während der NS für die Verarbeitung bekannter Signale eingesetzt wird.
Übrigens, vielleicht gibt es neuronale Netze für das Clustering, bei denen die Aufgabe darin besteht, ein komplexeres Merkmal zu finden, das aus anderen einfachen Merkmalen in einer Stichprobe transformiert wurde?
Für NS ist das eine durchaus machbare Aufgabe. Die Frage liegt in der Datenaufbereitung und darin, ob es etwas zu suchen und umzuwandeln gibt? Andernfalls wird der NS etwas finden, das es in Wirklichkeit gar nicht gibt, denn alle Daten werden immer gewisse Regelmäßigkeiten aufweisen). Es lernt perfekt und findet sie ständig, aber nur auf diesem BP). In anderen VRs gibt es das einfach nicht, und NS wird Unsinn reden. Manche verwechseln dies mit einer Umschulung.
Für die NS ist das eine durchaus machbare Aufgabe. Die Frage bezieht sich auf die Datenaufbereitung und darauf, ob es überhaupt etwas zu suchen und umzuwandeln gibt. Andernfalls wird NS etwas finden, das es in Wirklichkeit gar nicht gibt, da es in allen Daten immer gewisse Regelmäßigkeiten gibt.) Es lernt perfekt und findet sie ständig, aber nur auf diesem BP). In anderen VRs gibt es das einfach nicht, und NS wird Unsinn reden. Manche Menschen verwechseln dies mit Übertraining.
Ich spreche eher von Transformation und Verallgemeinerung der Prädiktoren, zum Beispiel, um zu vereinfachen, haben wir 2 Prädiktoren und die Durchführung zwischen ihnen keine komplizierten mathematischen Operationen führt zu der gleichen Antwort, es ist ihre gemeinsame Eigenschaft für die Definition in einem Cluster, gut absolut primitiv - Zahl im Grad Null, aber es kann einige solche Transformationen aufgrund von Formeln in Neuronen und NS-Prinzip.
Solche Cluster können als zusätzliche Merkmale die Klassifizierung von bereits vorhandenen Bäumen/Wäldern/Bustings verbessern.Wenn Sie dies wissen und es wirklich existiert (nennen wir es: den Entwicklungszyklus eines Phänomens, der wiederum ein regelmäßig wiederkehrendes Ereignis ist), dann können Sie es leicht nutzen.
Ich kann solche Dinge nur in der Geschichte sehen, wenn sie bereits geschehen sind. In Echtzeit passe ich.) Übrigens ist es üblich, dass wir ein Signal erst dann erkennen, wenn es beendet ist. In der Signalverarbeitung ist dies häufig der Fall.
Warum nur zur Geschichte?
wir betrachten die Mengen
die maximale Anzahl der Ticks ist immer zur gleichen Zeit
wir können leicht vorhersagen und den Zeitpunkt festlegen, wann eine Trend- oder eine Flat-Strategie funktionieren wird
Warum nur zur Geschichte?
Volumen betrachten
maximale Anzahl von Zecken immer zur gleichen Zeit
Wir können leicht vorhersagen und festlegen, wann eine Trend- oder eine Flat-Strategie funktioniert.
:
Volumina helfen, den Zustand Wechsel von Trend zu flach vorherzusagen, aber nicht "ohne Schwierigkeiten", im Allgemeinen, die Vorhersage des Staates "Trend / flach" ist nicht viel genauer als die Richtung des nächsten Anstiegs, pro Zeiteinheit, irgendwo um 57% in der Genauigkeit, was über einige unglaubliche Zahlen, eindeutig das Ergebnis eines Fehlers sprach.