Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 544
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Existe la posibilidad de que su monitor confunda los colores, a veces difíciles de distinguir, porque no está calibrado correctamente.
¿Qué has construido?No existe tal cosa.
recuerde que le dije que la libra está en el color equivocado en el gráfico de arbitraje
Lo que has construido es un secreto.
Eso no es una opción.
Recuerda cuando te dije que la libra en el gráfico de arbitraje era del color equivocado.
lo que he construido es un secreto.
Tengo todos los colores a juego.
No es sobre el mercado, pero es muy útil y sobre el enfoque general para construir un modelo de manera efectiva (en cualquier etapa algo podría salir mal y ni siquiera nos daríamos cuenta):
Aprendizaje sin profesor (clustering) y RL(reinforcement learning). En un intento de reducir los parámetros a optimizar. ¿Alguien ha pensado en cómo se puede aplicar la agrupación? La segunda es más complicada, se necesitan paquetes especializados
ejemplo: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
Aprendizaje sin profesor (clustering) y RL (reinforcement learning). En un intento de reducir los parámetros a optimizar. ¿Alguien ha pensado en cómo se puede aplicar la agrupación? La segunda es más complicada, se necesitan paquetes especializados
ejemplo: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
Estoy empezando a pensar en el aprendizaje por refuerzo. Me parece que esto es lo que se necesita para los intercambios.
Yo también, estoy dominando Python al mismo tiempo... La R es molesta. Hubo un artículo antiguo sobre la capa de Kohonen por o_o, escribió algo sobre las ventajas y demás sin ejemplos y desarrollo
https://www.mql5.com/ru/articles/1562
Yo también, estoy dominando Python al mismo tiempo... R es molesto. Había un artículo antiguo sobre la capa de Kohonen por o_o, escribió algo sobre los pluses y demás sin ejemplos y desarrollo
https://www.mql5.com/ru/articles/1562
De hecho, puedo agregarte como contraparte a mi repositorio, te explicaré mi esquema de trabajo.
Solía escribir en qt y opennn, francamente hablando, nada se ha desarrollado más que mlp (opennn).
En general, puedo agregarte como contraparte a mi repositorio, te explicaré el esquema de cómo funciona.
Me temo que tengo que aprender un poco más primero, no soy tan buen programador todavía :) tal vez más tarde el próximo año
Aprendizaje sin profesor (clustering) y RL (reinforcement learning). En un intento de reducir los parámetros a optimizar. ¿Alguien ha pensado en cómo se puede aplicar la agrupación? La segunda es más complicada, se necesitan paquetes especializados
ejemplo: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
También lo tengo presente. Simplemente no puedo tenerlo en mis manos.
La agrupación también es un método interesante. Creo que debería usarse antes del entrenamiento de un modelo, porque así se pueden filtrar los parámetros que no están correlacionados en absoluto.
También lo tengo presente. Simplemente no puedo tenerlo en mis manos.
especialmente si utilizamos la agrupación multidimensional, podemos intentar alimentar vectores con características y vectores con un desfase de, digamos, incrementos... para dividirlos en grupos - qué características corresponden a qué incrementos en el futuro
y luego aplicar a este conjunto para el entrenamiento de NS, por ejemplo... es decir, como la minería de datos
sí, exactamente antes de entrenar... o como algo separado para el ST