Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3305
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
Vor nicht allzu langer Zeit hat jemand im Forum den Namen des Effekts genannt (ich habe ihn noch nicht gefunden), aufgrund dessen Serien in der Nähe von SB eine Periode zu haben scheinen. Dieser Effekt ist mit einer Menge von beschämenden Momenten in der Wissenschaft verbunden, wenn mit Hilfe von Fourier "gefunden" Periodizität in Prozessen, und Radio-Amateure, weil es auf dem Forum wird nie überleben).
Skaleninvarianz?
Moire-Effekt :)
Skaleninvarianz, so scheint es, kann auf diese Weise beschrieben werden, und wird nicht Gegenstand der Forschung von Funkamateuren sein. Nur ohne Fourier, aber mit Marktzeiträumen wie stündlich und täglich, die unterschiedliche Aktivitäten beschreiben.
Skaleninvarianz?
Moire-Effekt :)
Eine gute Arbeit über die richtige BP-Darstellung für neuronale Netze. Auf FFTs kann natürlich verzichtet werden. Und ein weiterer Vergleich der verschiedenen Modelle.
Der grundlegende Unterschied besteht darin, dass die Vorverarbeitung in die Netzarchitektur integriert ist. Sie kann aber auch separat durchgeführt werden.
Das LSTM raucht im Hintergrund, weil es die Schwankungen zwischen den Perioden nicht berücksichtigt.
Auch Boosting liegt auf der Grundlage der Tests irgendwo am Ende der Rangliste.Man geht davon aus, dass die überwältigende Zahl der Anwendungen von MO, unabhängig vom Werkzeug, in Bereichen liegt, in denen es eine "natürliche" Beziehung zwischen Lehrer und Prädiktoren gibt. Zum Beispiel bei der Wettervorhersage: Temperatur, Luftfeuchtigkeit ...
Wir hingegen sitzen hier und rupfen uns an der Nase und denken uns Prädiktoren aus, die unserer Fantasie entspringen, und wollen aus irgendeinem Grund, dass sie Handelsaufträge vorhersagen.
Daher sind Veröffentlichungen mit "natürlichen" Prädiktoren für uns nicht von Interesse. Leider.
Wie wird das Gegenteil bewiesen?
Meiner Meinung nach gibt es zeitgebundene Ereignisse - die gleichen Nachrichten. Ich denke, wenn wir in drei Untergruppen unterteilen - erwartet, schlechter, besser - und den Kontext berücksichtigen, werden wir ein ähnliches Verhalten der Marktteilnehmer feststellen.
Eine weitere Möglichkeit ist die Saisonalität von Waren.
Was ist das genau?
Man geht davon aus, dass die überwiegende Zahl der Anwendungen von MO, unabhängig vom Instrument, in Bereichen liegt, in denen eine "natürliche" Beziehung zwischen Lehrer und Prädiktoren besteht. Zum Beispiel die Wettervorhersage: Temperatur, Luftfeuchtigkeit ...
Wir sitzen hier und rümpfen unsere Nasen und denken uns Prädiktoren aus, die unserer Fantasie entspringen, und aus irgendeinem Grund wollen wir, dass sie Handelsaufträge vorhersagen.
Daher sind Veröffentlichungen mit "natürlichen" Prädiktoren für uns nicht von Interesse. Leider.
Nun, dies ist nur ein Aspekt der Fütterung des Modells mit Merkmalen, was logisch erscheint. Und was man dann damit macht, ist natürlich eine esoterische Frage.
Mit diesem Ansatz kann man zum Beispiel mehr Geschichte in eine Probe packenNein) Slutsky-Yula, ich habe den Beitrag gefunden. Ich glaube, es wurden noch einige andere ähnliche Effekte gefunden, aber ich erinnere mich nicht mehr genau. Zumindest ist es jetzt anerkannt, dass man auf die scheinbare Periodizität achten muss, obwohl das den lokalen Funkamateuren natürlich egal ist)
Nun, warum nicht.
Es gibt wirtschaftliche Prozesse mit scheinbarer, nicht spekulativer, Periodizität. Die Ernte, zum Beispiel. Und es gibt viele solcher Prozesse. Es gibt Modelle für sie, in denen die Periodizität einer der Parameter ist.
Eine andere Sache ist, dass man die Periodizität, die in der Realität existiert, von der Periodizität trennen muss, die mit Hilfe einiger Fourier, die an der Forex florierten, ausgesaugt wurde. Vor etwa 10 Jahren herrschte kein Mangel an Radioingenieuren. Viele Menschen verstehen nicht, dass eine sehr wichtige Eigenschaft jedes mathematischen Modells seine Interpretierbarkeit sein sollte, die Möglichkeit, diese oder jene Parameter und Eigenschaften des Modells mit der Realität zu vergleichen. Und wenn wir beim Anblick von offensichtlichen Wellen auf Diagrammen mit variabler Periodizität anfangen, irgendwelche Bedarfssuggestionen zu erfinden, von denen wir nicht wissen, woher sie kommen, ist das Ergebnis entsprechend.
Nun, das ist nur ein Aspekt der Fütterung des Modells mit Zeichen, der logisch erscheint. Und was danach damit gemacht wird, ist natürlich eine esoterische Frage.
Mit diesem Ansatz kann man zum Beispiel mehr Geschichte in eine einzige Probe packenBei uns heißt es: Müll rein, Müll raus, und die meisten Leute haben KEINEN Müll drin.
Bei uns heißt es: Müll rein, Müll raus, und die meisten Leute haben KEINEN Müll raus.
Es wird ein Landstreicher-Algorithmus benötigt, der den Müll durchwühlt.
"From Dirt to Dukes", könnte man eine Artikelserie nennen.
Es scheint allgemein bekannt und intuitiv einleuchtend zu sein, dass sorgfältigeres Lernen zu einer Verlagerung von der Verallgemeinerung zum Einprägen eines bestimmten Musters führt.
Ich selbst erkläre mir das so, dass bei Modellen mit einer zunehmenden Anzahl von Parametern (z. B. Entscheidungsbaum) eine größere Anzahl von Iterationen einfach zu einer Erhöhung der Anzahl der Parameter führt. Bei Modellen mit einer festen Anzahl von Parametern ist es komplizierter, aber wahrscheinlich kann man sagen, dass mit zunehmender Anzahl von Iterationen der Parameterraum "mehr genutzt" wird.
Einfacher ausgedrückt: Die Zahl der zur Auswahl stehenden Optionen nimmt zu, und es ist einfacher, das zu wählen, was man braucht. Zum Beispiel wird die am besten nachvollziehbare Variante von SB bei der Auswahl aus 1000 Varianten trendiger sein als bei der Auswahl aus 100 Varianten.
PS. Es geht um Folgendes