Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1296
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
Bizancio ya no existía a principios del Renacimiento, Constantinopla era la capital del Imperio Otomano y las Cruzadas habían terminado 200 años antes
No bromees...
La reactivación se divide en cuatro etapas:
La Cuarta Cruzada de 1202-1204 (es el comienzo del siglo XIII)
Después de saquear la ciudad más rica y grande de Europa... Ellos (los cruzados) establecieron un estado con Constantinopla como capital, el Imperio Latino. La lucha contra los conquistadores duró más de 50 años. En 1261 cayó el Imperio Latino. Bizancio fue restaurado, pero nunca pudo alcanzar su antiguo poder.
A lo largo de 50 años de saqueo y de vida en Bizancio, los europeos recién enriquecidos (principalmente Venecia, que hacía todo el transporte marítimo y sus distritos) desarrollaron el gusto por la vida bonita, empezaron a pagar bien a la gente creativa. Los creativos contrataban/formaban aprendices, que luego destacaban como profesores, etc. Y así fue, poco a poco.
A lo largo de 50 años de saqueo y vida en Bizancio, los europeos recién enriquecidos (principalmente Venecia, que hacía todo el transporte marítimo y sus condados) desarrollaron el gusto por la vida bonita y empezaron a pagar bien a los creativos. Los creativos contrataban/formaban aprendices, que luego destacaban como profesores, etc. Y así fue, poco a poco.
Pero, por supuesto, esto es IMHO.Un presentador de televisión europeo dijo que la caída de Constantinopla fue una bendición, ya que a pesar de los cientos de miles de víctimas y la destrucción, la gente educada inundó Europa y fue contratada de buena gana y esto les devolvió parte del conocimiento perdido del Imperio Romano, lo que contribuyó a la salida de la Edad Media.
Es decir, incluso actos blasfemos como la guerra, incluso ahora, se presentan como una buena acción para toda la humanidad... La historia la escriben los vencedores.
pero entonces existe el riesgo de que antes de revelar esta ciclicidad en la muestra de entrenamiento, el modelo haga demasiados árboles que describan otra cosa, y sólo entonces construya árboles que describan la tendencia en la muestra de prueba.
Ni los árboles ni NS separan las cadenas por tiempo, incluso las barajan. Así que no se construyen "entonces" árboles. Todos ellos se basan en datos barajados uniformemente. Las filas de 2014 y 2016 pueden estar una al lado de la otra.
Si el NS no baraja las filas, sólo volverá a entrenar en los primeros ejemplos y llegará a un punto muerto y los últimos datos no terminarán de aprenderlos. Después de barajar las filas, NS aprende uniformemente. No es necesario barajar las filas si r=1 (proporción de filas para aprender un árbol), pero normalmente se establece <1 para evitar el sobreentrenamiento, por lo que también hay que barajar, así que con r=0,5 no se toman sólo los datos de 2014 y 2015.
No consigo averiguar cómo hacer un experimento que ayude a determinar la longitud de cada una de las tres muestras. ¿Tiene alguna idea al respecto?
Creo que también hay que optimizar esto. Pero creo que el número de líneas no debería ser inferior a 1000-10000, para que la muestra sea representativa y promedie todas las desviaciones aleatorias. De lo contrario, se puede encajar un sesgo aleatorio en una muestra pequeña.
En un programa europeo se decía que la caída de Constantinopla fue una bendición, ya que a pesar de los cientos de miles de víctimas y la destrucción, en Europa afluyeron personas instruidas, que fueron contratadas de buen grado y así se consiguió recuperar parte del conocimiento perdido del Imperio Romano, lo que contribuyó a la salida de la Edad Media.
Es decir, incluso actos blasfemos como la guerra, incluso ahora, se presentan como una buena acción para toda la humanidad... La historia la escriben los vencedores.
Por supuesto, cada uno percibe el bien para sí mismo. Para los europeos, por supuesto, se trata de una buena acción de saqueo de las finanzas y los cerebros. Para los bizantinos esto no es una bendición, para muchos fue la muerte.
No lo recuerdo con exactitud, pero en el periodo de su edad de oro los impuestos anuales bizantinos ascendían a unas 2-4 mil toneladas de oro. Incluso para nuestra época es una cantidad muy buena para muchos países. Pero puedo equivocarme en las cifras - hace unos años vi una película, que lo contaba. Si está interesado, eche un vistazo. Me lo encontré por casualidad al principio de la película: sólo las monedas sacaron varios cientos de toneladas.
Ni los árboles ni los NS separan las cadenas por tiempo, incluso las barajan. Por lo tanto, no se construyen árboles "a posteriori". Todos ellos se basan en datos barajados uniformemente. Las filas de 2014 y 2016 pueden estar una al lado de la otra.
No es posible que haya dejado claro mi punto de vista.
Mira, construimos un árbol en una muestra de entrenamiento, cubrió el 10% de la muestra (Recall) y así digamos 20 árboles, cada uno añade allí 3%-7% a Recall, pero eso es en la muestra de entrenamiento, mientras que en la muestra de prueba, tal vez sólo 5 y 6 árboles darán generalmente alguna respuesta en la integridad y la precisión, y los árboles antes y después serán entonces el ruido, pero si esos "después" son cortados por el algoritmo, entonces esos "antes" permanecerán. Así, obtenemos un modelo que tiene árboles que ayudan a la clasificación y árboles que la dificultan o que simplemente se comportan de forma pasiva. Por eso, la cuestión es el tamaño de la muestra de prueba y su llenado.
Tengo unas 14 cuerdas en total y necesito dividirlas en 3 muestras.
Quizás para este tipo de modelos sea eficiente cortar diferentes trozos de muestra y luego probar los modelos resultantes en toda la muestra para comprobar su solidez... En la contemplación.
El bien es, por supuesto, una percepción de cada individuo. Para los europeos, por supuesto, fue una bendición en forma de robo de finanzas y cerebros. Para los bizantinos no es una bendición, para muchos fue la muerte.
No recuerdo exactamente pero en el apogeo de Bizancio los impuestos anuales eran de unas 2 a 4 mil toneladas en oro. Incluso para nuestra época, es una cantidad muy buena para muchos países. Pero podría equivocarme en las cifras; hace unos años vi una película que lo decía. Si está interesado, eche un vistazo. Accidentalmente se encontró al principio de la película - sólo las monedas sacaron varios cientos de toneladas.
Le echaré un vistazo al vídeo, gracias, pero prefiero ver de los japoneses o de alguien independiente...
Tal vez sólo el árbol 5 y el 6 den alguna respuesta en cuanto a integridad y precisión, y los árboles anteriores y posteriores serán entonces ruido, pero si los "posteriores" serán podados por el algoritmo, los "anteriores" se quedarán.
¿Qué algoritmo cortará árboles de un bosque ya construido? El bosque terminará de crecer cuando alcance un determinado número o por algún otro método, cuando considere que ha aprendido bien. Si tienes poda durante el aprendizaje, tendrá un efecto positivo en el error en el tren (y si lo tienes en el válido).
En general, por supuesto, una parte de los árboles votará a favor y otra en contra. Y es imposible deshacerse de él, porque es lo que permite que el bosque aprenda bien, a diferencia de los árboles individuales, debido al promedio de votos. Cuando se hace un boosting, sólo el primer árbol aprende de los datos, todos los demás de los errores.
¿Qué algoritmo cortará árboles de un bosque ya construido? El bosque terminará de crecer cuando alcance un determinado número o por algún otro método, cuando considere que ha aprendido bien. Si hay una poda durante el entrenamiento, tendrá un efecto positivo en el error en el tren (y si está disponible en el válido).
Qué algoritmo va a podar - por lo que CatBoost lo hace en el entrenamiento, allí se puede establecer un parámetro que si 10 (tantos como usted especifique) nuevos árboles no mejoraron el resultado, entonces se toma el modelo sin estos últimos 10 árboles, y respectivamente es el mejor de lo que está disponible.
Cuando se hace un boosting, sólo el primer árbol aprende de los datos, todos los demás de los errores.
Un dicho interesante. Sin embargo, los árboles posteriores se construyen para reducir el error de la composición del árbol existente, pero no entiendo por qué no utilizan el muestreo entonces, dime con más detalle, tal vez no entiendo algo en profundidad...
Un dicho interesante. Sin embargo, los árboles posteriores se construyen para reducir el error de la composición del árbol existente, pero no entiendo por qué no utilizan el muestreo entonces, dime con más detalle, tal vez me estoy perdiendo algo en profundidad...
Sí, para reducir el error toman exactamente los errores como objetivo, y luego lo restan.
Este es el algoritmo de boosting, lo estoy estudiando yo mismo https://neurohive.io/ru/osnovy-data-science/gradientyj-busting/
1. Establecer regresión lineal o árbol de decisión sobre los datos (aquí elegido árbol de decisión en el código) [llamar a x como entrada e y como salida ] (1árbol entrenado sobre los datos)
Entiendo que se trata de un refuerzo clásico. Tal vez Catbust haya ideado algo propio...