Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1477
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
También tengo una idea de cómo cortar el precio.
Tomamos un precio y lo agrupamos en, digamos, 10 clusters, entrenamos la red, vemos el error...
A continuación, eliminamos un clúster, digamos el décimo, entrenamos la red de nuevo y vemos el error. Y así probamos todas las combinaciones hasta encontrar algo interesante... Al final puede resultar que sólo queden 1,3,9 grupos en la serie para hacer buenas predicciones.
También tengo una idea de cómo cortar el precio.
Tomamos un precio y lo agrupamos en, digamos, 10 clusters, entrenamos la red, vemos el error...
A continuación, eliminamos un clúster, digamos el décimo, entrenamos la red de nuevo y vemos el error. Y así probamos todas las combinaciones hasta encontrar algo interesante... Al fin y al cabo, puede que nos encontremos con que debemos mantener sólo 1,3,9 clusters en la fila para hacer buenas predicciones.
Una analogía es tirar las hojas del árbol, como hizo Alexei.
Pero el problema es que 1 árbol siempre es peor que 100-200 árboles en un bosque.
Una analogía - tirar las hojas del árbol, como Alexei
No, eso es diferente...
Tirar las hojas es cambiar las reglas del árbol de decisión que predice el proceso
Estoy sugiriendo cambiar el proceso en sí mismo
No es una mierda, es sólo una broma).
Koldun comienza otro cuatrimestre de vacaciones, mientras que Guru sigue trabajando para "levantar su imagen". Qué gracioso))) hilarante ...
También se me ocurrió una idea de cómo rebajar el precio.
La dimensionalidad puede reducirse de muchas maneras, sería una buena idea. El ejemplo más sencillo. Negro fino - cloze, puntos azules
intersecciones, rojo - un intento primitivo de reconstruir el vr original a partir de los syn.dots. Hay muchos métodos de recuperación.
Se puede juzgar la "calidad del adelgazamiento" por la sencillez de la función de recuperación. Más simple es mejor...
La analogía es tirar las hojas de un árbol, como Alexei.
Pero el problema es que 1 árbol siempre da peores resultados que 100-200 árboles en el bosque
No se trata de tirar, sino de sacrificar. Es como reunir diferentes mini estrategias en una gran piscina. Y luego, o bien la decisión colegiada o dar a cada hoja un lote fijo, que es lo que estoy haciendo ahora.
Eliminar las hojas significa cambiar las reglas del árbol de decisión que predice el proceso.
¿Por qué iban a cambiar las normas? No, sólo elimina las hojas que tienen más confianza en sus resultados, en detrimento de las que quieren hacer cualquier predicción por el bien del sistema. En otras palabras, un árbol puede no tener la solución justa para una situación, pero cuando se utilizan cientos de árboles diferentes y se hace una selección sobre ellos, la posibilidad de no tener una solución para la situación se vuelve insignificante.
El mago comienza otros 4 meses de vacaciones, el profesor sigue trabajando "para elevar la imagen". Qué historia tan divertida))) divertidísima...
Ya estás hablando de ti en tercera persona, te has vuelto completamente loco.
La dimensionalidad puede reducirse de diferentes maneras para que funcione. El ejemplo más sencillo. Negro fino - cloze, puntos azules -
y rojo - un intento primitivo de restaurar la imagen inicial en syn.dots. Hay muchos métodos de recuperación.
Se puede juzgar la "calidad del adelgazamiento" por la sencillez de la función utilizada para la reconstrucción. Más simple es mejor...
Gracias, es interesante. ¿Existen nombres científicos para el "adelgazamiento" y las "funciones de recuperación"? Sería interesante leer sobre ello
¿Por qué cambian las normas? No, simplemente eliminan a los que tienen más confianza en sus resultados eliminando a los que amordazarían cualquier predicción por el bien del sistema. En otras palabras, un árbol puede no tener la solución justa para una situación, pero cuando se utilizan cientos de árboles diferentes y se hace una selección sobre ellos, la posibilidad de no tener una solución para la situación se vuelve insignificante.
Bueno, esto es un cambio de reglas, no importa cómo se le dé vueltas, y en qué dirección se ha cambiado es otra cuestión.
Cuando miro tu dibujo con el cruce de los vagones me sorprende lo genial y frecuente que resulta el precio en los cruces, pero en sentido contrario)) en contra de las señales de la multitud.
Pero, por supuesto, no siempre funciona debido a la variabilidad de las propiedades del mercado, necesito un indicador adaptativo. Y tengo una idea si podemos enseñar a NS a adivinar los periodos de tiempo "correctos" en el modo de tiempo real para captar los retrocesos con precisión?
¿Quién tiene ideas sobre el objetivo y qué parámetros de precios deben tomarse como predictores?
Bueno, es un clásico, ya lo he escrito más arriba cuando se trata de predecir el óptimo de las características y resultados del TC (Equidad/Pnl...).
Si es "directamente", el principio es el mismo que con los retornos o volos, para cada muestra dividir la muestra en "antes" y "después" por algún punto móvil precio(t), calcular cualquier cifra de {precio(t-N),precio(t)} y las cifras objetivo {precio(t+1),precio(t+K)} y recorrer t toda la serie. En este caso, los objetivos serán los óptimos ondulantes en {precio(t+1),precio(t+K)} en alguna ventana en el futuro, y las características pueden ser básicamente cualquier cosa, desde estocásticos o momentums de diferentes períodos, hasta óptimos ondulantes u otros TCs en el período anterior{precio(t-N),precio(t)}.
¿Qué versión de JPrediction está utilizando?
14 parece.