Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2261
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
Komplexe Modelle sind ein enormer Vorteil, aber es braucht ein paar Jahre Lebenszeit, um sie zu entwickeln, die bereits erfolgreich verbracht wurden
Artenvielfalt ist alles.
Die biologische Vielfalt ist unser Ein und Alles.
Ein einfaches Beispiel. Tausende von Durchläufen mit verschiedenen Parametern VS ein Training, das den gesamten Merkmalsraum umfasst. Dann die gleiche Visualisierung und Analyse, wobei das Überflüssige eliminiert wird.
Nun, das ist jeder ... wie er will.Ich bezweifle, dass ein MO in der Lage wäre, einen solchen TS zu überarbeiten: Er sieht sich die Bereiche an, die dem aktuellen TS in der Vergangenheit am ähnlichsten waren. Und wenn es statistisch gesehen ein Übergewicht an weiteren Bewegungen in eine bestimmte Richtung gibt, dann geht das Signal dorthin.
Wenn vorher der Einfachheit halber die Suche nach ähnlichen Segmenten nicht auf der Preisreihe, sondern auf einer transformierten Preisreihe durchgeführt wird, werden z.B. ZigZags oder Balken durch die binäre Logik ersetzt: up(0)/down(1). Dann wird die Aufgabe des Reengineering für MO recht komplex.
Ich habe es verpasst... es ist interessant, diese Art von Dingen an Beispielen auszuprobieren.
Es gibt 2 Punkte.
Es könnte sich sogar herausstellen, dass MO Ihren TS auf Ihre eigenen Daten abfährt
Aber ich bin nicht bereit, mich mit Zecken herumzuschlagen, bis ich meinen Laptop aufgerüstet habe.
Es könnte sich sogar herausstellen, dass das Verteidigungsministerium Ihre TC auf Ihren eigenen Daten zerreißen wird.
Daran zweifle ich nicht. Aber MO wird die TZ nicht wiederholen, weil sie in der Vergangenheit ähnliche Situationen vorgefunden hat.
Daran zweifle ich nicht. Aber MO wird die TZ nicht reproduzieren, weil sie in der Vergangenheit ähnliche Situationen vorgefunden hat.
Wenn Sie die Geschichte trainieren, wird MO die gleichen Abhängigkeiten von anderen Traits ziehen.
Sie haben Katzen und Hunde durch eine Art von Überschreitung gefunden, aber sie haben andere Eigenschaften. Katzen haben zum Beispiel lange Schnurrhaare.
Sie werden lernen, an ihren Schnurrhaaren zu erkennen und nicht an ihren Ohren... was sich ändern wird
Nun, das ist eine individuelle Sache. Theoretisch gibt es kein Problem.
Ach ja, hier ist das Boxplot-Beispiel aus dem Artikel. Ich habe statistische Muster wie in dem von Ihnen beschriebenen Fall gefunden. Dann habe ich NS auf zufällige Zeichen trainiert, um saisonale Muster zu handeln, und es lief besser. Dies dient dem Verständnis.
Was macht sie so einzigartig?
In MO wird es keine vergleichende Ähnlichkeitsprüfung geben. Es gibt einfach keine Daten, die man trainieren kann, wenn man nicht im Voraus weiß, worauf der TS basiert.
möglicherweise nicht funktionieren. Aber wenn die Daten bereits aufbereitet sind, d.h. es gibt ein Muster, dann sind in irgendeinem Hilbert-Raum die Punkte der Klassen (z.B. für Kauf und Verkauf) gut trennbar, es kann nicht anders sein. MO wird solche Merkmale aufgreifen (und versuchen), sie zu übernehmen. Darin liegt ein gewisser Zauber, denn es kommt nicht einmal so sehr darauf an, die richtigen Attribute zu kennen, sondern die Daten richtig zu kennzeichnen, um Katzen von Hunden zu unterscheiden.
Sie können prüfen, ob es Vereinbarungen über die Zeitplanung gibt.
Sie können prüfen, ob es Vereinbarungen über die Zeitplanung gibt.
Das Beispiel war hypothetisch.
Das Beispiel war hypothetisch.
Hypothetisch gesehen gibt es kein Problem. Die"Ähnlichkeit" wird durch andere Merkmale herausgezogen, weil die Zeitreihen gleich sind. In der Praxis kann es Schwierigkeiten geben, wie z. B. die Krümmung der Hand)
Sie haben eine Reihe von engen Mustern, die sich gut verallgemeinern lassen. Sie haben durch Korrelation verallgemeinert, das Modell wird durch ein gleitendes Fenster in der Geschichte verallgemeinert. Ähnliche Einheiten werden gruppiert und als Kauf/Verkauf/Kein Handel gekennzeichnet.
Ähnliche Cluster innerhalb des Modells sehen dann so aus, nur im mehrdimensionalen Raum. Jeder Cluster hat sein eigenes Kauf-/Verkaufsetikett. Das ist eine sehr einfache Aufgabe. Das ist nur eine Verallgemeinerung.
Wenn es Experten für generative Modelle gibt, können wir versuchen, die Kovarianzmatrix des GMM-Modells zu schütteln. D.h. man ändert nicht den Mittelwert und die Varianz der Reihe, sondern die GMM-Kovarianzmatrix. Das Ergebnis sollte eine Vielzahl von Beispielen mit unterschiedlichen Eigenschaften sein.
Wie meinen Sie das?
Schütteln Sie einfach die Matrix cov. es wird zufällig sein ....
Sie müssen den Zweck kennen - wozu soll das Schütteln dienen, was soll der endgültige Schnitt sein?