Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 580

Nuevo comentario
 
Yuriy Asaulenko:
Gracias. Me pregunto si hay alguna monografía, existe en la naturaleza?

no se encuentra... sólo se ve en los bosques de Breyman - el creador del bosque

 
Yuriy Asaulenko:

...

Me gustaría algo grande y detallado).


... y minucioso.


Zykov A.A. Fundamentos de la teoría de grafos. -Moscú: Nauka. Redactor jefe de Física y Matemáticas, 1987.

Una introducción sistemática a la teoría de grafos, estructurada según la lógica interna de su desarrollo.


Hay algunos enlaces de descarga en la red.

 

¿Por qué no un manual de montaje del tractor?

 

Se ha publicado una nueva versión de la biblioteca para conectar Python a MT5. Recordando el enlacehttps://github.com/RandomKori/Py36MT5 Pero hay problemas. En Visual Studio el proyecto de prueba funciona como debería, pero en MT hay algunos problemas poco claros. Ahora la biblioteca funciona bien con el directorio donde se encuentra el script de Python. No sé cómo depurar el enlace a MT. La MT está protegida del depurador. ¿Tal vez alguien sepa cómo depurar?

 
Maxim Dmitrievsky:

¿Por qué no un manual de montaje del tractor?


¿es esa tu idea de una broma?

Te doy información útil y a cambio... eres como un adolescente, maleducado, y te crees el mejor ingenio del negocio... es patético.

Probablemente haya tenido suficiente con un libro, como algunos personajes de aquí...

 
Oleg avtomat:

¿Es esa tu idea de una broma?

Hombre, te doy información útil, y a cambio... eres como un adolescente, maleducado, y te crees el mejor ingenio del negocio... es patético.

Seguramente ya has tenido suficiente con un libro, como algunos de los personajes de aquí...


¿Qué hay de útil ahí? ¿Cómo se construye un árbol gráfico? Muy útil...

por esta necesidad de leer todo el libro?

 
Maxim Dmitrievsky:

¿Qué hay de útil ahí? ¿Cómo se construye un árbol gráfico? Muy útil...

¿es por eso que tienes que leer todo el libro?


por eso estás trasteando encima, porque no tienes los conocimientos básicos, y no quieres tenerlos. no tienes el conocimiento y la comprensión. Te falta conocimiento y comprensión, pero un libro y varios artículos no son suficientes.

 
Oleg avtomat:

Por eso te dedicas a toquetear las cosas, porque no tienes un conocimiento profundo, ni quieres tenerlo. No tienes el conocimiento y la comprensión. Y para eso no basta con un libro y unos cuantos artículos que hayas leído alguna vez.


Cómo vivir, cómo vivir... pánico-pánico... ir a aprender la tabla de multiplicar y la teoría y ontología del conocimiento

 
Yuriy Asaulenko:
Gracias. Me pregunto si hay monografías, si existen en la naturaleza.

Déjate de tonterías y coge R: el código va necesariamente acompañado de un enlace a una fuente que describe la teoría de ese código.

Aquí están las referencias al algoritmo clásico de Breiman:

Breiman, L. (2001), Random Forests, Machine Learning 45(1), 5-32.

Breiman, L (2002), 'Manual On Setting Up, Using, And Understanding Random Forests V3.1', http://oz.berkeley.edu/users/breiman/Using_random_forests_V3.1.pdf.


Además, si uno utiliza R, ya hay una gran variedad de bosques recogidos allí y uno vería que hay otros bosques además de randomForest que especifican una gran variedad de matices del id original.

Por ejemplo, randomForestSRC, randomUniformForest.

El algoritmo más interesante y eficiente de la misma raza es ada.

Aquí están las referencias (todas son de la documentación de los paquetes R)

Friedman, J. (1999). Aproximación de funciones codiciosas: una máquina de refuerzo de gradiente.Informetécnico, Departamento de Estadística, Universidad de Standford.

Friedman, J., Hastie, T., y Tibshirani, R. (2000). Regresión logística aditiva: una perspectiva estadísticade la potenciación. Anales de Estadística, 28(2), 337-374.

Friedman, J. (2002). Impulso de gradiente estocástico. Estadística copulativa{y análisis de datos 38.Culp, M., Johnson, K., Michailidis, G. (2006). ada: an R Package for Stochastic Boosting Journalof Statistical Software, 16.


Existen diversas variantes del ada.


Pero la propia R hace selecciones temáticas.

Por los árboles:

  • Bosques ale atorios : La implementación de referencia del algoritmo de bosques aleatorios para la regresión y la clasificación está disponible en el paqueterandomForest. El paqueteipred dispone de bagging para el análisis de regresión, clasificación y supervivencia, así como de bundling, una combinación de múltiples modelos a través del aprendizaje por conjuntos. Además, en el paqueteparty se implementa una variante de bosque aleatorio para variables de respuesta medidas a escalas arbitrarias basada en árboles de inferencia condicional.randomForestSRC implementa un tratamiento unificado de los bosques aleatorios de Breiman para problemas de supervivencia, regresión y clasificación. Los bosques de regresión cuantílicaquantForest permiten hacer una regresión de los cuantiles de una respuesta numérica sobre variables exploratorias mediante un enfoque de bosque aleatorio. Para los datos binarios,LogicForest es un bosque de árboles de regresión lógica (paqueteLogicReg. LospaquetesvarSelRF yBoruta se centran en la selección de variables mediante algoritmos de bosque aleatorio. Además, los paquetesranger yRborist ofrecen interfaces de R para implementaciones rápidas de bosques aleatorios en C++. Los árboles de aprendizaje por refuerzo, que presentan divisiones en las variables que serán importantes a lo largo del árbol, se implementan en el paqueteRLT.wsrf implementa un método alternativo de ponderación de variables para la selección de subespacios de variables en lugar del muestreo tradicional de variables aleatorias.

Por parientes arbóreos muy cercanos:

  • Refuerzo y descenso de gradiente: En el paquetegbm(refuerzo de descenso de gradiente funcional basado en árboles) se implementan varias formas de refuerzo de gradiente. El paquetexgboost implementa la potenciación basada en árboles utilizando árboles eficientes como aprendices de base para varias funciones objetivo y también definidas por el usuario. La pérdida de bisagra se optimiza mediante la implementación de boosting en el paquetebst. El paqueteGAMBoost puede utilizarse para ajustar modelos aditivos generalizados mediante un algoritmo de refuerzo. El paquetemboost ofrece un marco de trabajo extensible para modelos lineales generalizados, aditivos y no paramétricos. El refuerzo basado en la verosimilitud para los modelos de Cox se implementa enCoxBoost y para los modelos mixtos enGMMBoost. Los modelos GAMLSS pueden ajustarse mediante boosting congamboostLSS. En el paquetegradDescent está disponible una implementación de varios algoritmos de aprendizaje basados en el Gradient Descent para tratar las tareas de regresión.

También hay wrappers disponibles, por ejemplo, uno muy interesante para Maxim sobre algoritmos de estimación de predictores:

  • CORElearn implementa una clase bastante amplia de algoritmos de aprendizaje automático, como vecinos más cercanos, árboles, bosques aleatorios y varios métodos de selección de características. De forma similar, el paqueterminer interconecta varios algoritmos de aprendizaje implementados en otros paquetes y calcula varias medidas de rendimiento.



Y cuando escribo que usas podlouches rurales, me refiero exactamente a las siguientes circunstancias:

  • un gran número de usuarios
  • que un gran número de usuarios depuraron bien el código
  • ese gran número de usuarios documentados bien
  • es un gran número de usuarios que han escudriñado la teoría.
  • que muchos usuarios han creado publicaciones, desde disputas mutuas hasta aplicaciones prácticas.
 

AdaBoost no es mejor que el bagging para forex porque sobreajusta mal, sobre todo en datos de gran dimensión. sobre todo porque ya está obsoleto en su clase, hay xgboost. y el resto es todavía un trabajo en progreso :)

Yo tampoco creo en la funcionalidad de los importadores en forex... pero es bueno familiarizarse con ella para la educación general, por ejemplo dopar gini a alglieb

1...573574575576577578579580581582583584585586587...3399
Nuevo comentario