Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 722
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
Glauben Sie, dass es eine Perspektive für die Automatisierung gibt?
Sergej, natürlich!
Und dann wird der Tester die Perspektiven dieses Indikators aufzeigen.
Freiberufliche Tätigkeit ist hilfreich, aber vergessen Sie nicht den Quellcode in der Leistungsbeschreibung
Die Erkennung klappt, aber ich bekomme den Einstiegspunkt nicht richtig hin. Ich möchte dem Netzwerk beibringen, nicht das Auftauchen einer Kerze zu erkennen, sondern den tatsächlichen Zeitpunkt des Einstiegs, ohne dass es zu einem Einbruch kommt. Meine Stopps führen dazu, dass alles zusammenbricht.
Ich kann eine solche Bedingung nicht schreiben. Vielleicht kann mir jemand sagen, wie?
Ich kann es nicht im Tester testen, weil es dort aufgrund der Integration mit Neuronics nicht funktioniert. Sie ist in Python geschrieben, und die Informationen werden über die Datei ausgetauscht, ohne dass der Prüfer diese Datei erstellt.
Es gibt einige GARCH-Modelle. Von ihnen wissen wir, dass ein Rückzug des Preisanstiegs wahrscheinlicher ist als eine Fortsetzung des Preisanstiegs. Sie bestätigen diese Wahrheit.
Der Ratvon Dr. Trader ist nicht einfach.
Ein neues Buch über Deep Learning ist auf Russisch erschienen:
Goodfellow J., Bengio I., Courville A.Deep Learning ist eine Form des maschinellen Lernens, die es Computern ermöglicht, aus Erfahrungen zu lernen und die Welt in Form einer Hierarchie von Konzepten zu verstehen. Das Buch enthält
die mathematischen und konzeptionellen Grundlagen der linearen Algebra, der Wahrscheinlichkeitstheorie und der Theorie
der Information, der numerischen Berechnung und des maschinellen Lernens in dem Umfang, der zum Verständnis des Stoffes notwendig ist
. Es werden Deep-Learning-Techniken beschrieben, die in der Praxis verwendet werden (
), einschließlich Deep-Networks mit direkter Ausbreitung, Regularisierung,
Optimierungsalgorithmen, Faltungsnetzwerke, Sequenzmodellierung usw.
Es werden Anwendungen wie die Verarbeitung natürlicher Sprache, Spracherkennung, Computer Vision
, Online-Empfehlungssysteme, Bioinformatik und Videospiele behandelt.
Die Publikation richtet sich an Studenten und Doktoranden sowie an erfahrene Programmierer
, die Deep Learning als Teil ihrer Produkte oder Plattformen einsetzen möchten.
UDC 004.85
LIBC 32.971.3
Link von rutracker kann das Persönliche einwerfen. Das Buch ist außerordentlich interessant.
Viel Glück!
Ein neues Buch über Deep Learning ist auf Russisch erschienen:
Goodfellow J., Bengio I., Courville A.Deep Learning ist eine Form des maschinellen Lernens, die es Computern ermöglicht, aus Erfahrungen zu lernen und die Welt auf der Grundlage einer Hierarchie von Konzepten zu verstehen. Das Buch enthält
die mathematischen und konzeptionellen Grundlagen der linearen Algebra, der Wahrscheinlichkeitstheorie und der Theorie
der Information, der numerischen Berechnung und des maschinellen Lernens in dem Umfang, der zum Verständnis des Stoffes notwendig ist
. Es werden Deep-Learning-Techniken beschrieben, die in der Praxis verwendet werden (
), einschließlich Deep-Networks mit direkter Ausbreitung, Regularisierung,
Optimierungsalgorithmen, Faltungsnetzwerke, Sequenzmodellierung usw.
Es werden Anwendungen wie die Verarbeitung natürlicher Sprache, Spracherkennung, Computer Vision
, Online-Empfehlungssysteme, Bioinformatik und Videospiele behandelt.
Die Publikation richtet sich an Studenten und Doktoranden sowie an erfahrene Programmierer
, die Deep Learning als Teil ihrer Produkte oder Plattformen einsetzen möchten.
UDC 004.85
LIBC 32.971.3
Link von rutracker kann das Persönliche einwerfen. Das Buch ist außerordentlich interessant.
Viel Glück!
In der Liste der Anwendungen gibt es keine nicht-stationären Reihen, die durch unbestimmte Prozesse erzeugt werden.
Gibt es irgendwo eine Begründung für die Möglichkeit, tiefe Netze auf Finanzreihen anzuwenden?
Ich habe einen Link zu etwas gefunden, das mit diesem Buch zu tun hat -http://www.filedropper.com/--2018
(der Link und die Website sind nicht von mir)
Die Liste der Anwendungen enthält keine nicht-stationären Reihen, die durch unsichere Prozesse erzeugt werden.
Gibt es irgendwo eine Begründung für die Möglichkeit, tiefe Netzwerke auf Finanzreihen anzuwenden?
Warum brauchen Sie die Rechtfertigung eines anderen? Sie erstellen Prädiktoren, erstellen ein Modell, trainieren/testen und ziehen Ihre eigenen Schlussfolgerungen. Ob es möglich/vernünftig ist, das Modell auf Ihre Prädiktoren anzuwenden.
Ich mache nur die Klassifizierung. Und meiner Erfahrung nach sind neuronale Netze (nicht nur tiefe Netze) sehr gut in dieser Aufgabe. Schauen Sie sich den letzten Artikel über Ensembles an. Die Ergebnisse sind sehr gut und können noch erheblich verbessert werden.
Viel Glück!
Die Liste der Anwendungen enthält keine nicht-stationären Reihen, die durch unsichere Prozesse erzeugt werden.
Gibt es irgendwo eine Begründung für die Möglichkeit, tiefe Netzwerke auf Finanzreihen anzuwenden?
Er ist kein Händler. Es ist höchste Zeit zu verstehen, dass es niemanden gibt, den man fragen kann :)
Es ist höchste Zeit zu verstehen, dass es niemanden gibt, den man fragen kann :)
Was spielt es für eine Rolle, ob er ein Händler ist oder nicht? Er hat den Kern der Sache getroffen.
Was spielt es für eine Rolle, ob er ein Händler ist oder nicht? Er hat in der Sache Recht.
Er hat nicht auf den Kern der Frage geantwortet, und die Frage war eine Eckpfeilerfrage.
Das ist, gelinde gesagt, nicht der Fall - die Ausbildung bei einem Lehrer ist prinzipiell nicht für die Arbeit mit nichtstationären Prozessen geeignet, das steht in jedem Buch. Daher der ganze Datensatanismus und die Unentschlossenheit in Bezug auf Stationarität, Normalisierung usw.
Nicht, dass ich irgendjemandem von irgendetwas abraten will, aber manchmal ist es nützlich, es ein paar Mal zu sagen, damit es sich im Subkortex einprägt
Er hat nicht auf den Kern der Frage geantwortet, und die Frage war eine Eckpfeilerfrage
Wenn nicht mehr - die Ausbildung bei einem Lehrer ist prinzipiell nicht geeignet für die Arbeit mit nicht-stationären Prozessen, darüber steht es in allen Büchern. Daher der ganze Datensatanismus und die Beschwörungen über Stationarität, Normalisierung usw.
Wo steht geschrieben, dass der Unterricht mit einem Lehrer stationär sein muss?
Was du Kamlanie nennst, ist immer wieder bewiesen, Berge von Veröffentlichungen, aber über die Ausbildung ohne einen Lehrer für das Handwerk gibt es gar nichts.