Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3070
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
Además, también me interesa la eficacia del método propuesto en predictores binarios, que son segmentos cuánticos de los predictores,
¿Es dividir la ficha en 16 cuantos (por ejemplo) y luego dividir por 16 fichas con 0 y 1?
¿Donde 1 es si los valores de la ficha primaria están en el cuanto requerido, y 0 si en cualquier otro cuanto?
¿Se trata de dividir una ficha en 16 cuantos (por ejemplo) y luego dividirla en 16 fichas con 0 y 1?
¿Donde 1 es si los valores de la característica principal están en el cuanto requerido, y 0 si están en cualquier otro cuanto?
La idea es seleccionar un par de segmentos de los 16 que tengan potencial. Sobre la codificación, sí, es así.
Maxim Dmitrievsky #:
OOS A LA IZQUIERDA DE LA LÍNEA DE PUNTOS
Muy estirado. Da 10-20 ejemplos de tus propios cálculos de rasgos. Usted puede tener uno con diferentes períodos. La entrada son las fórmulas para calcular los rasgos.
No voy a considerar un gran volumen de signos binarios.
algunos resultados superiores de esos 3k modelos:
parece que se encuentran los mismos "patrones" incluso con diferentes muestreos de etiquetas. Todos los gráficos son similares. Bueno en otros chips habrá otras imágenes.
Trate de indicadores - hay ta biblioteca para python.
¿Cómo se formó el OOS (datos de entrada)?
de la forma clásica, un conjunto de atributos a precios de cierre
Pruebe los indicadores - hay una biblioteca ta para python.
¿cuáles son los tuyos? sólo perder el tiempo )
La idea es seleccionar un par de segmentos de los 16 que tengan potencial. Sobre la codificación, sí, es cierto.
Entonces puedes dividir 1 característica en 16 cuantos, numerarlos y marcarlos como categóricos. El árbol comprobará de forma similar cada categoría/cuanta (==0 o ==1 o ==2 ....). También puede poner los cuantos no interesantes en una categoría.
El resultado será de 1 en 1. O casi, a expensas del cuanto no interesante, puede resultar que el árbol lo elija a partido como el mejor.
En el lado positivo, sólo 1 chip, cálculos más rápidos. El tamaño de los archivos y el consumo de memoria se reducirán considerablemente.
15 años de OOS
El enfoque resultó curioso, pero sensible a los rasgos de todos modos. Pero no funciona así con los retornados.
Entonces puede dividir 1 característica en 16 cuantos, numerarlos y marcarlos como categóricos. El árbol comprobará de forma similar cada categoría/cuanta (==0 o ==1 o ==2 ....). También puedes poner los cuantos sin interés en una categoría.
El resultado será de 1 en 1. O casi, debido al quantum poco interesante, puede resultar que el árbol lo elija como el mejor durante la división.
En el lado positivo, sólo 1 chip, cálculos más rápidos. El tamaño de los archivos y el consumo de memoria se reducirán considerablemente.
Ahí es casi donde empecé. Pero no, no funcionará así, porque el método de construcción de modelos tiene su propia idea de lo bello y considerará basura como tal - ya hemos pasado por esto antes - lo sabemos.....
clásicamente, un conjunto de signos a precios de cierre
15 años de OOS