Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1798
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
mejor canalizar la energía para generar nuevos rasgos... EN MI OPINIÓN...
Si las señales son buenas entonces podemos incluso intentar predecir extremos, tengo unos 400 y 10 modelos, pero veo que necesito decenas de veces más, las muestras de entrenamiento pueden llegar a > 100 GB , wow )))) no tengo tanta potencia...
Cuando hay muchos predictores -el sobreentrenamiento comienza, sobre todo si es un refuerzo- hay hojas que se activan en una muestra de sólo el 0,01%, es claramente una basura.
Por ello, es importante trabajar en dos direcciones: buscar formas de mejorar los modelos a través de su estructura y del tratamiento previo y posterior de los datos, así como añadiendo nuevos predictores.
¿No funcionó nada con los datos que te envié antes para los experimentos?
Puse ese EA en una cuenta real ahora - y veo que hay otros problemas - por ejemplo, el interruptor de límite no se llena completamente, mercado delgado - grandes deslizamientos...
Cuando hay muchos predictores, comienza el sobreaprendizaje,
No lo hace, hay validación cruzada + muestreo extra para comprobar...
Y el sobreentrenamiento se debe a que tienes señales que tienen un 5% de información útil, y quieres sacarles el 70%, y sólo les falta... ninguna información útil...
para eso se necesitan muchos carteles.
hay hojas que se activan en una muestra de sólo el 0,01% - es obviamente basura.
Por ejemplo, cuando operas con las manos, miras los gráficos, diferentes TFs, ves algunos patrones y tomas decisiones, luego vas a un TF pequeño y buscas un punto de entrada, luego esperas el momento adecuado y entras... ¿Qué fue eso? Es una compresión de información.
1) diferentes TFs y patrones en ellos - compresión
2) TF poco profunda, punto de entrada - compresión
3) punto de entrada - compresión
Como resultado, no será ni siquiera el 0,01% o incluso el 0,001% en relación con la muestra, pero no lo consideras basura, ¿verdad?
¿No apareció nada con los datos que te envié antes para los experimentos?
¿Qué datos? Me lo perdí...
no empezar, hay validación cruzada + muestreo adicional para la verificación...
Es posible comprobarlo, pero no afecta al aprendizaje.
Y el sobreentrenamiento sólo porque tienes señales que tienen un 5% de información útil, y quieres sacarle el 70%, pero no está ahí... no hay información útil...
Si cada predictor lleva un 5% de información útil, está bien, ¿o cuánto se espera? ¿Cómo se determina la utilidad en general? Me baso en la desviación de la media de todos los objetivos de la muestra.
Cuando operas a mano, miras los gráficos, por ejemplo, en diferentes TFs, ves algunos patrones y tomas decisiones, luego vas a un TF pequeño y buscas un punto de entrada, luego esperas el momento adecuado y entras... ¿Qué fue eso? Es una compresión de información.
1) diferentes TFs y patrones en ellos - compresión
2) TF poco profunda, punto de entrada - compresión
3) punto de entrada - compresión
Como resultado relativo a la muestra no será ni el 0,01%, ni siquiera el 0,001%, pero usted no lo considera basura, ¿verdad?
No, eso sería azar, intuición, pero no un sistema.
¿Con qué datos? Me falta algo...
Enlace.
Sí, claro )))) Me gustaría ver cómo utilizan "si, entonces, si no" para reconocer imágenes o generar discurso, eso sí que sería duro). Pero en serio, ¡estás diciendo tonterías!
Finerider reconoce sin ns.
Una vez leí una entrevista con uno de sus empleados que llamaba a las redes neuronales "análisis discriminante para los pobres".
Una vez leí una entrevista con uno de sus empleados que llamaba a las redes neuronales "análisis discriminante para los pobres".
Enlace.
Ahhhh no lo había visto, creía que nunca rehacías nada... No, no lo hice.
Probablemente no lo haya entendido. Finerider reconoce sin ns. El trabajo sobre la actividad cerebral de los ratones determinó lo que el ratón haría medio segundo antes de la acción en los años 90. Cuando ns ganó el ajedrez y luego con MOs la comp se hizo invencible estos eventos no fueron cubiertos de esta manera, aunque más significativos. El reconocimiento de los pasaportes de trabajo surgió hace unos 10 años. El reconocimiento estaba bien. Ahora la noticia sobre el reconocimiento de pasaportes con ns se instalará en las taquillas de los trenes.... Hay más bombo que trabajo.
Todo es un malentendido.... Hay mucho bombo y platillo porque necesitan un haip, necesitan un haip porque no hay recursos humanos, hay que despertar el interés de la gente, o mejor dicho de la biomasa inútil que no puede ni ir al baño sin un smartphone.
¿Cómo se puede comparar el reconocimiento de un pasaporte con la conducción de un coche con el reconocimiento posterior de objetos? ¿O el reconocimiento de sujetos de vídeo en YouTube? ¿O la generación de voz humana? Han pasado 30 años, los problemas se han vuelto miles de veces más complicados y se están resolviendo, y tú estás hablando de un pasaporte cutre de los años 90, pero que sigue estando ahí en los años 90.
Y comparar las tareas de los 90 con las actuales también es una estupidez, ¿cómo puedes comparar el reconocimiento de pasaportes con la conducción de un coche con el reconocimiento incidental de objetos? O el reconocimiento de sujetos de vídeo en YouTube? O la generación de habla humana? Han pasado 30 años, las tareas se han vuelto miles de veces más complicadas y están resueltas, y tú hablas de un pobre pasaporte de los 90, pero sigue siendo de los 90.
No estoy de acuerdo, los problemas deben entenderse desde el principio y la historia de su origen y soluciones ayuda en este sentido. Los algoritmos de MO fueron formulados e implementados en su mayoría antes de los 90, en el Fortran del 77, el mismo cat boost. Hoy en día, las herramientas, la potencia y el software están más disponibles. Las tareas de reconocimiento siguen el mismo algoritmo, es decir, establecer la bibliografía, catalogar y comparar. Lo único que cambia es el número y la velocidad (los métodos de búsqueda en el catálogo también, pero no es crucial). Galileo inventó el primer Hash))
Antes, 10K era algo grande, hoy se pueden implementar 100Gb en casa. Si las capacidades actuales permitieran hacer búsquedas completas y pases de búsqueda completos para optimizar el GA no sería necesario)))))
Acerca del pasaporte) https://open-dubna.ru/ekonomika/9057-razrabotka-rezidenta-oez-dubna-sokrashchaet-ocheredi-v-kassakh-rzhd
Las soluciones solían costar (en rebajas) unos 500 dólares. ¿Cuánto cuesta la IA? No creo que sea más barato. La solución tiene más de 15 años. Por cierto, el principal problema es quitar la rejilla de protección )))) En un fondo homogéneo y en una cuadrícula son tareas diferentes).
Ahhhh no lo había visto, creía que nunca rehacías nada... No, no lo hice.
¿Vas a mirar ahora?
¿Lo estás viendo ahora?
Lo hice...
el archivo de saldo actual no contiene precios, los precios que me diste antes no coinciden con el tamaño del saldo actual
UPD==============
Si lo pienso bien, esta idea es un fracaso. No debería analizar y pronosticar el gráfico de balance, sino buscar puntos de entrada buenos/malos