Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3070
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
Ich will nicht feilschen. Sie haben mich gebeten, zu unterrichten - geben Sie mir die Zeichen, ich werde unterrichten und testen. Wenn es sich als gut erweist, gebe ich Ihnen den Quellcode.
Wenn es normale Zeichen gibt, kann es nicht viele von ihnen geben. Ich brauche keine Datensätze mit 6k Zeichen, dafür habe ich keine Zeit.
Ansonsten werde ich andere Dinge tun.
Ich habe keine Vorzeichen in einer Zeile - man braucht mehr Zeit, um sie in Python zu reproduzieren. Es ist logischer, die Effektivität des Ansatzes an meinen Daten zu testen und dann zu entscheiden, ob ich den Code für die Vorhersageberechnung implementieren will oder nicht.
Wenn ich im Vergleich zu anderen sehr "gute" Prädiktoren hätte, würde ich es nicht so eilig haben, sie öffentlich zugänglich zu machen :) Sie können dies tun - nehmen Sie ein Modell mit einem akzeptablen Ergebnis und ziehen Sie daraus 20 Prädiktoren nach Wichtigkeit (gemäß einer der Definitionsmöglichkeiten) in dem Modell heraus.
Darüber hinaus bin ich auch an der Wirksamkeit der vorgeschlagenen Methode bei binären Prädiktoren interessiert - das sind Quantensegmente von Prädiktoren, und diese Technologie ist nicht so schnell zu reproduzieren, so dass ein Array vorzuziehen wäre - aber hier bin ich an dem Ergebnis mit einer großen Menge von Prädiktoren interessiert.
Wenn etwas interessant ist, dann können wir uns schon jetzt mit der Logik der Prädiktorenberechnung und ihrer Implementierung beschäftigen.
Ich habe keine Funktionen in einer Zeile - Sie werden mehr Zeit damit verbringen, sie in Python zu reproduzieren. Es ist logischer, die Effektivität des Ansatzes an meinen Daten zu testen und dann zu entscheiden, ob der Code zur Berechnung des Prädiktors implementiert werden soll oder nicht.
Wenn ich im Vergleich zu anderen sehr "gute" Prädiktoren hätte, hätte ich es nicht so eilig, sie öffentlich zugänglich zu machen :) Sie können dies tun - nehmen Sie ein Modell mit einem akzeptablen Ergebnis und ziehen Sie daraus 20 Prädiktoren nach Wichtigkeit (gemäß einer der Definitionsmöglichkeiten) im Modell heraus.
Außerdem bin ich auch an der Wirksamkeit der vorgeschlagenen Methode bei binären Prädiktoren interessiert - das sind Quantensegmente aus Prädiktoren, und diese Technologie ist nicht so schnell zu reproduzieren, so dass ein Array vorzuziehen wäre - aber hier bin ich an dem Ergebnis mit einer großen Menge von Prädiktoren interessiert.
Wenn etwas interessant sein wird, dann können wir schon jetzt Zeit und Mühe aufwenden, um in die Logik der Berechnung von Prädiktoren und deren Implementierung einzusteigen.
Sehr spießig. Geben Sie 10-20 Beispiele für Ihre eigenen Merkmalsberechnungen. Sie können eine mit verschiedenen Zeiträumen haben. Zu den Eingabeformeln für die Berechnung der Vorzeichen.
Große Mengen an binären Merkmalen werden nicht berücksichtigt.
ein paar Spitzenergebnisse aus diesen 3k Modellen:
Es scheint, als ob die gleichen "Muster" gefunden werden, selbst bei unterschiedlichen Stichproben von Etiketten. Alle Diagramme sind ähnlich. Nun, auf anderen Chips wird es andere Bilder geben.
Außerdem interessiert mich die Wirksamkeit der vorgeschlagenen Methode bei binären Prädiktoren - das sind Quantensegmente aus den Prädiktoren,
Teilt man den Fiche in 16 Quanten (zum Beispiel) und dividiert dann durch 16 Fiches mit 0 und 1?
Wobei 1 ist, wenn die Werte des primären Chips im geforderten Quantum liegen, und 0, wenn sie in irgendeinem anderen Quantum liegen?
Ist dies die Aufteilung eines Fiches in 16 Quanten (zum Beispiel) und dann die Aufteilung in 16 Fiches mit 0 und 1?
Wobei 1 ist, wenn die Werte des primären Merkmals in dem erforderlichen Quantum liegen, und 0, wenn in einem anderen Quantum?
Die Idee ist, aus den 16 Segmenten ein paar auszuwählen, die Potenzial haben. Was die Kodierung angeht: Ja, so ist es nun einmal.
Maxim Dmitrievsky #:
OOS LINKS VON DER GESTRICHELTEN LINIE
Sehr spießig. Nennen Sie 10-20 Beispiele für Ihre eigenen Merkmalsberechnungen. Sie können eine mit verschiedenen Perioden haben. Der Input sind die Formeln für die Berechnung der Merkmale.
Ich werde nicht eine große Menge von binären Zeichen berücksichtigen.
einige Spitzenergebnisse aus diesen 3k Modellen:
Ich habe den Eindruck, dass die gleichen "Muster" gefunden werden, auch wenn die Stichproben für die Tags unterschiedlich sind. Alle Diagramme sind ähnlich. Nun, auf anderen Chips wird es andere Bilder geben.
Versuchen Sie Indikatoren - es gibt ta Bibliothek für Python.
Wie wurden die OOS (Eingangsdaten) gebildet?
auf klassische Art und Weise, eine Reihe von Attributen zu Schlusskursen
Versuchen Sie Indikatoren - es gibt eine ta-Bibliothek für Python.
Welche sind Ihre? nur Ihre Zeit verschwenden )
Die Idee ist, aus den 16 Segmenten ein paar auszuwählen, die Potenzial haben. Zur Kodierung: Ja, das ist richtig.
Dann kann man 1 Merkmal in 16 Quanten unterteilen, sie nummerieren und als kategorisch markieren. Der Baum prüft dann ebenfalls für jede Kategorie/jedes Quantum (==0 oder ==1 oder ==2 ....). Sie können auch uninteressante Quanten in eine Kategorie stecken.
Das Ergebnis wird 1 zu 1 sein. Oder fast, auf Kosten des uninteressanten Quants, es kann sich herausstellen, dass der Baum es bei der Aufteilung als das beste wählen wird.
Auf der Habenseite: nur 1 Chip, schnellere Berechnungen. Die Dateigrößen und der Speicherverbrauch werden erheblich reduziert.
15 Jahre OOS
Der Ansatz erwies sich als neugierig, aber dennoch sensibel für die Charaktereigenschaften. Bei Rückkehrern funktioniert das einfach nicht so.