Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2740
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
¿Qué tipo de paquetes?
biblioteca("entropía")
classDist {caret}
Eso no es todo, lo que me vino a la mente.
Utilizo mi propio algoritmo, que es mucho más rápido que numerosas bibliotecas de R. Por ejemplo,
biblioteca("entropía")
Puedes usar los gráficos:
Todo fue publicado en este hilo. Todo está sistemáticamente esbozado y masticado a nivel de código en los artículos de Vladimir Perervenko
y entonces, ¿dónde está el estado?
.......
Entonces, ¿dónde está el steith?
.......
No hay ningún consejero.
Y en R están los nombres de los predictores, y ellos son toda la cuestión.
Durante varios años en este hilo he estado llamando para hacer frente a los predictores. El resultado es cero. Y sin predictores de calidad, el modus operandi no tiene sentido.
Entonces, ¿dónde está el steith?
.......
¿Cuál es el objetivo?
no es el objeto de la investigación y el fin último :-)
No hay consejero.
Y en R los nombres de los predictores, y son todo el punto.
Llevo varios años en este hilo pidiendo predictores. Los resultados son nulos. Y sin predictores de calidad, MO no tiene sentido.
En los mercados financieros, el incentivo es el dinero.
Por favor, entiendan
Si no hay indicadores financieros, no hay incentivo.
Por ejemplo, aquí tengo la bolsa de Moscú.
(archivo de abajo, la captura de pantalla no cabe aquí por alguna razón, no quiere)
y forex.
todo en el momento actual
----
¡¡¡elemental, Watson !!!
ahahahahahaha
en los mercados financieros, el incentivo es el dinero.
Por favor, comprenda
sin rendimiento financiero, no hay incentivo
Ahora soy consciente de ello.
Qué debemos hacer para dejar de pelearnos y unirnos por el bien de un objetivo????????
Debemos ayudarnos mutuamente y no tener miedo de admitir errores, ser respetuosos.
Cómo es eso, te pedí que hicieras un script - sí, cito " ¿Puedes hacer un script en R para los cálculos de mi muestra? El experimento debe revelar el tamaño óptimo de la muestra. ", pero esto es en respuesta a algo que ya se ha hecho.
Antes escribí "... ¿Y cómo propones observar en dinámica, cómo realizar? " - aquí estaba preguntando acerca de la implementación de la estimación del predictor en la dinámica, es decir, la estimación regular por alguna ventana y no está claro si se trata de una ventana en cada nueva muestra o después de cada n muestras. Si lo has hecho, no lo he entendido.
El código que has colgado está muy bien, pero me cuesta entender qué hace exactamente o qué demuestra en esencia, así que he empezado a hacer preguntas adicionales. ¿Qué significan las dos imágenes con gráficos?
En una ventana deslizante vuelve a entrenar el modelo y mira la importancia de las características, o simplemente coge algún buen identificador de características y míralo en la sk. Ventana.
...
También diferentes características-selectores para todos los gustos, probablemente el 5% de lo que está disponible en R-ka.
tamaño de la ventana flotante para obtener estimaciones eficaces, no sólo flotante por paso o const , - ese es el problema - en cada iteración para ajustar el tamaño de la ventana sólo - el modelo tomará mucho tiempo para aprender ... ¡y el reentrenamiento manual periódico es en sí mismo una ventana deslizante! -- usted lo hará periódicamente de todos modos (ir más allá de st.dev aceptable) -- si usted tiene su propio horario de reentrenamiento - se puede automatizar también. PERO repito - el tamaño de la ventana también es flotante.
...
¿diferente? - todavía algorítmicamente se reduce a la asignación de características siempre (!), como quieras llamarlo, ... sólo sus propios matices y su propio campo de aplicación.
aunque no todo el mundo quiera llamarlo correlación
Me baso en la noción de correlación predictor-maestro. "Vinculación" NO es correlación ni la "importancia" de los predictores de ajustar casi cualquier modelo MOE.
caret link - mismo Entrenamiento de Clasificación y Regresión - como MO trivial, mismo sklearn para Python.
Es que MO fue creado no sólo para construir modelos probabilísticos (basados en distribuciones de probabilidad existentes), sino también deterministas y dinámicos... pero la base de cualquier generalización de probabilidades siempre (!) será la estadística (con sus correlaciones), la llames como la llames... De lo contrario, obtendremos estimaciones sesgadas, es decir, nuestro modelo modelizará otra cosa (aleatoria), no nuestro objetivo.