Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3042
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
¿Para qué? Para superar a Lilith? Aunque lo haría ..... ... ... ... Me gustaría )))))))))))))))))))))))) Una herramienta realmente genial en manos hábiles).
¿Para qué? Para superar a Lilith? Aunque lo que ..... ... ... ... sya)))))))) Es una herramienta muy chula en las manos adecuadas).
Es programación de meta-nivel, además sabe python perfectamente. También hago prompts por voz mientras estoy tumbado en el sofá. A menudo me pasa que tengo ideas, pero me da pereza volver a escribir el código :)
Estoy de acuerdo, la pregunta correcta es un meta-nivel))))
Bueno y comprobar la corrección de la ejecución del código)Estoy de acuerdo, una pregunta bien planteada es un meta-nivel)))))
Bueno y comprobar la corrección de la ejecución del código)Extraer algunas "buenas" reglas/estrategias de los datos...
Paso completo
1) transformación y normalización de los datos
2) entrenamiento del modelo
3) extracción de reglas
4) filtrado de reglas
5) visualización
código listo, sólo tiene que sustituir sus datos
La pregunta es que si puedes encontrar "CTs que funcionan" de forma aleatoria, ¿de qué manera puedes probar que los CTs encontrados en datos reales no son aleatorios?
Alexey lo está haciendo aquí, me pregunto si hay alguna prueba estadística para este tipo de tareas.
El principal problema de aplicar matstat para este tipo de problemas es que la búsqueda de CTs se realiza por selección entre un gran número de variantes. Siempre es posible elegir algo muy bonito de un gran conjunto de variantes - con un ejemplo sencillo una vez mostré aquí que modelando los precios como SB, siempre se puede "encontrar" una buena hora de la semana para operar. Y eso sólo 120 variantes para elegir.
El matstat no dice que la TS seleccionada sea necesariamente mala, sólo dice que tal resultado PUEDE (NO DEBE) ser sólo el resultado de la selección de la SB.
Extraer algunas "buenas" reglas/estrategias de los datos...
Obtengo un error al iniciar
Ha surgido una pregunta puramente teórica: ¿puede utilizarse un modelo ONNX para derivar otro modelo ONNX? Por ejemplo, el primer modelo se utiliza para volver a entrenar periódicamente con nuevos datos y actualizar el modelo de trabajo. Es decir, sin utilizar python, etc.
A primera vista, esto es poco probable que sea posible, pero en caso de que alguien ha tratado de hacer algo como esto.
No he conseguido obtener ninguna respuesta significativa de la IA - escribe que puede y cita referencias que no tienen nada que ver con la pregunta).
El principal problema en el uso de matstat para tales tareas es que la búsqueda de TS se lleva a cabo mediante la selección de un gran número de variantes. Siempre es posible elegir algo muy bonito de un gran conjunto de variantes - con un ejemplo sencillo una vez mostré aquí que modelando los precios como un CB, siempre se puede "encontrar" una buena hora de la semana para operar. Y eso sólo 120 variantes para elegir.
El matstat no dice que la TS seleccionada sea necesariamente mala, sólo dice que tal resultado PUEDE (NO DEBE) ser sólo el resultado de la selección de la SB.
Sigo sin entenderlo, no hay forma de decir con certeza si la res. fin. es estadísticamente significativa o no? ¿TC o no?
Obtengo un error al iniciar
1) ¿Son los datos los mismos que en el ejemplo?
2) Tal vez en el nuevo R los nombres de los argumentos de la función han cambiado
Una de las direcciones podría ser la búsqueda no de los mejores, sino de los parámetros más estables de la ST, es decir, descartar aquellas variantes que presentan variabilidad de resultados en distintas partes de la historia.
Una forma es incluir indicadores de estabilidad de los resultados en los criterios de evaluación.