Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2239
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
teclado delgado+táctil, cualquiera de los dos será defectuoso
este es definitivamente defectuoso.
El mercado, los participantes y sus algoritmos cambian con el tiempo. Es extraño que esperes un sistema estable entrenado de una vez. Vuelve a entrenar una vez a la semana o todos los días (en los árboles es rápido).
Esta es una cuestión filosófica :)
Hay que entender la rapidez con la que cambia el mercado, de ello depende la frecuencia del reciclaje, ¿cómo se mide eso?
Creo que el mercado está formado por muchas predisposiciones diferentes, su conjunto es limitado, y sólo enseño el modelo para identificar esa predisposición y ganar dinero con ella.
¿Por qué no te gusta lo que está fuera de lugar ? En realidad sólo necesitas la parte responsable de la comunicación entre MKL y Python (ZeroMQ).
Buena suerte
No lo sabía)) ¡Gracias!
Sólo que no entiendo muy bien por qué complicar la tarea con imágenes, cuando se puede hacer con la convolución 1d? :) una imagen no añade ninguna información a la fila
Sí, tienes razón, si un vector de características se convierte en una matriz y se alimenta a la convolución, no va a cambiar mucho( ya lo he comprobado :))) En mi caso, la idea es hacer el máximo uso de las propiedades de la red convolucional para encontrar y utilizar las plantillas locales. Estos patrones son invariables con respecto a la traslación, es decir, una convolución multicapa puede encontrar el mismo patrón en diferentes lugares de la imagen. La misma arquitectura con la reducción intermedia del mapa de características agresivo permite formar una jerarquía entre las plantillas en diferentes capas de convolución. Por lo tanto, estoy tratando de encontrar una interpretación gráfica de la cita que permite la convolución para encontrar estas plantillas.
Sí, tienes razón, si el vector de características se convierte en una matriz y se alimenta a la convolución, no cambiará mucho( ya lo he comprobado :))) En mi caso, la idea es aprovechar al máximo la propiedad de la red de convolución de buscar y utilizar patrones locales. Estos patrones son invariables a la transferencia, es decir, la convolución multicapa puede encontrar el mismo patrón en diferentes lugares de la imagen. De la misma manera, una arquitectura con reducción de mapa de características intermedias agresivas permite formar una jerarquía entre plantillas en diferentes capas de convolución. Por lo tanto, estoy tratando de encontrar una interpretación gráfica de una cita que permite la convolución para encontrar estas plantillas.
¿Y cómo se convierte un vector en una matriz?
Sí, tienes razón, si el vector de características se convierte en una matriz y se alimenta a la convolución, no cambiará mucho( ya se ha comprobado :))) En mi caso, la idea es aprovechar al máximo la propiedad de la red de convolución para buscar y utilizar plantillas locales. Estos patrones son invariables con respecto a la traslación, es decir, una convolución multicapa puede encontrar el mismo patrón en diferentes lugares de la imagen. De la misma manera, la arquitectura con reducción de mapa de características intermedias agresivas nos permite formar una jerarquía entre las plantillas en diferentes capas de convolución. Por lo tanto, estoy tratando de encontrar una interpretación gráfica de una cita que permita la convolución para encontrar estas plantillas.
Por cierto. ¿Es correcto que busquemos patrones en diferentes lugares del gráfico?
Creo que no.
Por ejemplo, encontramos algún patrón a 20 puntos después del cual deberíamos comprar. Y si este patrón no fue en la barra 0-m sino hace 20-50-200 barras y es demasiado tarde para comprar, deberíamos vender. El reverso lo encontrará y comprará. Responderá a la pregunta si el patrón estaba en la sección del gráfico que se le muestra. Pero debemos buscar el patrón sólo en la parte derecha del gráfico, es decir, en la barra 0.
Así que resulta que las redes convolucionales no son adecuadas para trabajar con citas. La aparición del patrón en cualquier otro lugar que no sea la barra 0 sólo interferirá con el trabajo rentable.
Iba a hacerlos, pero acabo de cambiar de opinión.Si el gráfico tiene 100 puntos y el patrón tiene 20. Entonces la red de convolución señalará que hay un patrón aquí ¡¡80 veces!!
Sí, tienes razón, si el vector de características se convierte en una matriz y se alimenta a la convolución, no cambiará mucho( ya lo he comprobado :))) En mi caso, la idea es aprovechar al máximo la propiedad de la red de convolución de buscar y utilizar patrones locales. Estos patrones son invariables con respecto a la traslación, es decir, una convolución multicapa puede encontrar el mismo patrón en diferentes lugares de la imagen. Además, la arquitectura con reducción de mapa de características intermedias agresivas permite formar una jerarquía entre plantillas en diferentes capas de convolución. Por lo tanto, estoy tratando de encontrar una interpretación gráfica de una cita que permite la convolución para encontrar estas plantillas.
Podrías probar con gráficos de recurrencia. Lo he hecho, pero no ha funcionado y vuelve a ser lento.
podrías probar con gráficos de recurrencia. Lo hice, pero no funcionó, y es lento, otra vez.
o una descomposición en serie, PCA por ejemplo con una transformación inversa....
puedes descomponer la serie en átomos y volver a ensamblarlos.
aquí están los dos primeros componentes de la ventana de 100
aquí están los componentes 2 y 3
aquí hay 3 y 4 componentes
aquí están los componentes 30 y 31
así puedes descomponer hasta 100, una cosa genial...
todo esto con datos nuevos, sin retraso, etc...
......
......
.....
Huh... La mayoría de la gente ni siquiera entendía de qué estaba hablando )))) probablemente))
o descomposición de series, PCA, por ejemplo, con transformación inversa....
la serie puede ser atomizada y reensamblada
aquí están los dos primeros componentes de la ventana 100
aquí están los componentes 2 y 3
aquí hay 3 y 4 componentes
aquí están los componentes 30 y 31
así puedes descomponer hasta 100, una cosa genial...
todo esto con datos nuevos, sin retraso, etc...
......
......
.....
Huh... La mayoría de la gente ni siquiera sabe de qué estoy hablando )))) ))
Eso es seguro. La mayoría no entendía en absoluto de qué estabas hablando. Bueno, así es como debe ser.
Usted ha llegado por caminos indirecta a la construcción, que es bien conocida, ampliamente aplicada en la práctica y bien probada, llamada "sistema de seguimiento de nonius". Y, aunque todavía no en toda su extensión, ya tienes lo esencial.