Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1883
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
No va a haber un golpe, vamos a separarnos. Box y Jenkins se alegran
Los resultados de este estudio sugieren que los métodos clásicos simples, como los métodos lineales y el suavizado exponencial, superan a los métodos complejos y sofisticados, como los árboles de decisión, los perceptores multicapa (MLP) y los modelos de redes de memoria a corto plazo (LSTM).
No va a haber un golpe, vamos a separarnos. Box y Jenkins se alegran
Los resultados de este estudio sugieren que los métodos clásicos simples, como los métodos lineales y el suavizado exponencial, superan a los métodos complejos y sofisticados, como los árboles de decisión, los perceptores multicapa (MLP) y los modelos de redes de memoria a corto plazo (LSTM).
Un artículo de imbéciles para imbéciles
Por cierto, quizá los expertos puedan ayudar. He aquí una pregunta:
La tarea, por ejemplo, consiste en distinguir un gato de un perro mediante una foto. ¿Cuál es la forma correcta de aprender?
1. Mostrar sólo imágenes de gatos y perros, es decir, clasificación binaria.
2. Enseñar por separado sólo gatos y "no gatos" (protos caos) + por separado también perros y "no perros", es decir, dos ciclos de entrenamiento y dos patrones a la salida.
3. Haz una clasificación de tres: gatos, perros y caos. Es decir, habrá un modelo, pero la respuesta es una clasificación de tres opciones.
Ahora mismo tengo la primera opción y está claramente torcida. El problema es que el neuro aprende bien sólo una de las variantes, convencionalmente sólo ve bien a los "gatos" y reconoce mal a los perros. Por ejemplo, en las pruebas retrospectivas los modelos son buenos para detectar un movimiento de precios al alza e ignorar un movimiento a la baja. Si la estimación hacia arriba es tan alta como el 67%, el mismo modelo sólo adivina hacia abajo el 55%. "Arriba" y "abajo" de un modelo a otro pueden cambiar de lugar.
Normalmente dicen que hay que probarlos todos y elegir el mejor. Imho, 2 rejillas, cada una trabajando con su propia tarea (gatos o perros), además de establecer un umbral en la salida. A continuación, hay que determinar de alguna manera qué ejemplos se reconocen peor, necesitan ser procesados o un entrenamiento adicional. En la entrada sirven los ejemplos que se utilizarán en la práctica, no tiene sentido mostrar la casa en el entrenamiento si no estará en el examen. También las imágenes del aprendiz y del examen deben ser tratadas por igual.
Por cierto, estoy abierto a la colaboración si hay un recurso, no necesariamente material: un público para la promoción o una oportunidad para organizar más investigación basada en lo que ya existe. Es imposible elevar este tema a un buen nivel sólo con las manos. Se necesitan verdaderos expertos en diferentes campos.
Poner el enlace de tu perfil al canal de telegrama. Sería interesante verlo.
Suelen decir que hay que probarlo todo y elegir la mejor opción. Imho, 2 rejillas, cada una trabajando con una tarea diferente (gatos o perros), además de establecer un umbral en la salida. Entonces hay que determinar de alguna manera qué ejemplos son los peores reconocidos, hay que procesarlos o hay que hacer una formación adicional. En la entrada sirven los ejemplos que se utilizarán en la práctica, no tiene sentido mostrar la casa en la formación, si no va a estar en la prueba. También las imágenes en la bandeja y en la prueba deben ser tratadas por igual.
Por qué hay que ver el precio a través del prisma de la imagen si hay coordenadas exactas. Precio y hora. Queda por describir el modelo de interés. Y como hay muchos, selectivamente. La máquina los reconoce al 100% incluso sin entrenamiento.
Poner un enlace al canal de telegrama en tu perfil. Será interesante verlo.
señales de los indicadores en pausa hasta el lunes, ir al botón "Historia" para ver cómo se ven y las señales de neuro
Suelen decir 1. Probarlos todos y elegir la mejor opción. Imho, 2 . 2. cada uno trabaja con una tarea diferente (gatos o perros), además de establecer un umbral en la salida. A continuación, hay que determinar de alguna manera qué ejemplos se reconocen peor, necesitan ser procesados o un entrenamiento adicional. En la entrada 3. proporcionar los ejemplos que se utilizarán en la práctica, no tiene sentido mostrar la casa en la formación, si no estará en la prueba. También las imágenes en el aprendiz y en la prueba deben ser tratadas de la misma manera.
2. Lo intenté, y empeoró.
3. ¿Cómo sabes cuáles está usando? Es una caja negra, así que lo alimento todo.
Por qué mirar el precio a través del prisma de una imagen cuando hay coordenadas precisas. Precio y hora. Queda por describir el modelo de interés. Y como hay muchos, selectivamente. La máquina los reconoce al 100% incluso sin entrenamiento.
La pregunta era sobre perros y gatos. Y puede intentar enseñar la red para el análisis gráfico.
Por qué mirar el precio a través del prisma de una imagen cuando hay coordenadas precisas. Precio y hora. Queda por describir el modelo de interés. Y como hay muchos, selectivamente. La máquina los reconoce al 100% incluso sin entrenamiento.
La pregunta era sobre perros y gatos. Y puedes enseñar el análisis gráfico de la red
Tal vez usted puede mostrar capturas de pantalla a la red, pero después de la optimización llegará a Open, Close, High, Low