Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1702
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
Wenn wir über Regression sprechen würden, wäre es klarer - das ist wahrscheinlich eine gute Art, es zu betrachten.
Ich stimme zu. NS ist eher eine KI-Komponente, wie eine Schraube oder eine Mutter in einem Auto.
Ein weiterer Fehler, den Sie als Anfänger machen. NS stellt hohe Anforderungen an die Trainingsstichprobe und ist ein eher subtiles Instrument, bei dem ein kleiner Fehler in der Datenaufbereitung (falsches Komma) zu einem diametralen Ergebnis führt. Versuchen Sie, weniger eigene Schlüsse zu ziehen, und hören Sie besser auf das, was Ihnen gesagt wird.
Nun gut, der NS ist eine Komponente der KI. Zusätzlich zu dem neuronalen Netz gibt es eine Reihe von Algorithmen, die diesem neuronalen Netz dienen, und alles zusammen ist ein KI-System. Genau ein System. Aber ein KI-System kann nicht ohne ein neuronales Netz existieren.
Im Moment kann ich AI und NS nicht identifizieren. Sie haben selbst gesagt, dass es keinen Grund gibt, beides zu verwechseln. NS ist ein Werkzeug, das in der künstlichen Intelligenz eingesetzt werden kann, aber für sich genommen reicht es nicht an diese heran. Dem schienen Sie zuzustimmen.
Muss die KI überhaupt mit Menschen interagieren?
Das ist also die Schlussfolgerung, zu der wir gekommen sind.
Was ist daran falsch? Catbust umgeht die meisten seiner Konkurrenten.
Mir zum Beispiel gefiel die Idee eines symmetrischen Baumes darin nicht. Offensichtlich ist es nicht die beste Lösung, 2 verschiedene Knoten durch einen Prädiktor und durch dieselbe Ebene zu teilen. Es sei denn, er beschleunigt auf das 10-fache.
Gut, dass sie 2 neue, klassischere Methoden hinzugefügt haben.
Wahrscheinlich wird es umgangen, aber dort, in den Wettbewerben, ist die Probenahme stationär, es gibt keine besonders unsinnigen Merkmale, d.h. die Bedingungen sind nicht die, mit denen wir arbeiten, und ich denke gerade darüber nach, wie ich die Daten unter Berücksichtigung dieser Merkmale am besten aufbereiten kann. (Die Lösung ist noch nicht endgültig, aber sie ist eine wichtige Aufgabe).
Die verschiedenen Baummodelle sind gut, aber im Moment können sie nicht in eine separate Datei hochgeladen werden, und daher können sie nicht in den EA eingebettet werden, was schlecht ist.
Mir gefällt nicht, dass es beim Boosting kein Postprocessing gibt - wenn am Ende des Trainings das Modell vereinfacht wird, indem schwache Bäume verworfen werden. Ich verstehe nicht, warum das nicht gemacht wird.
Die Blätter der einzelnen Bäume im Boosting sind schwach - niedrige Vollständigkeit - weniger als 1% und es ist schlecht, dass dieser Parameter nicht angepasst werden kann, während die Berechnung der Signalverteilung nach Stichproben überhaupt nicht durchgeführt wird - als Ergebnis lernen wir durch Verwerfen. Viele Nuancen und hier kann die Lösung eine gute Vorverarbeitung der Prädiktoren sein. Und natürlich ist es besser, den Code einzubauen und zu ändern - versteht denn niemand C++ auf dem richtigen Niveau?
Ich denke, das muss er. Was wäre sonst der Sinn der Sache?
Wenn Sie denken (Ihr Verstand löst ein Problem), müssen Sie dann mit jemandem kommunizieren?
Sie können Ihre "Wurm"-Definition von Intelligenz immer noch nicht aus dem Weg räumen, also kommunizieren wir jetzt in verschiedenen Sprachen
Ich sage Ihnen noch mehr, ich hatte solche Fälle, in denen ich nur den Optimierungsknopf drücken musste und dann feststellte, dass ich diesen Schritt vor 20 Vorgängen falsch gemacht hatte und ich in Wirklichkeit einen Fehler in meinen Daten hatte und alles neu vorbereiten musste, weil ich klar verstanden hatte, dass es keinen Fehler geben sollte. Ein Komma an der falschen Stelle und schon war alles umsonst. Das bedeutet Maschinenstunden, Zeit und, was am wichtigsten ist, Ergebnisse.