Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3305

 
Maxim Dmitrievsky #:

Un buen artículo sobre cómo hacer correctamente la representación BP para redes neuronales. Se puede prescindir de las FFT, por supuesto. Y más comparación de diferentes modelos.

La diferencia fundamental es que el preprocesamiento está integrado en la arquitectura de la red. Pero se puede hacer por separado.

LSTM echa humo en el fondo, porque no tiene en cuenta las variaciones entre periodos.

Boosting también está en la parte baja de la clasificación, según sus pruebas.

Se cree que la inmensa mayoría de las aplicaciones de MO, independientemente de la herramienta, se dan en ámbitos en los que existe una relación "natural" entre el maestro y los predictores. Por ejemplo, la predicción meteorológica: temperatura, humedad...

Nosotros, por el contrario, nos sentamos aquí y, hurgándonos las narices, ideamos predictores que son fruto de nuestra imaginación y, por alguna razón, queremos que predigan las órdenes comerciales.

Así que cualquier publicación con predictores "naturales" no nos interesa. Desgraciadamente.

 
Aleksey Vyazmikin #:

¿Cómo se demuestra lo contrario?

En mi opinión, se trata de acontecimientos que tienen un límite temporal: las mismas noticias. Creo que si dividimos en tres sub-muestras - esperado, peor, mejor y tener en cuenta el contexto, nos daremos cuenta de un comportamiento similar de los participantes en el mercado.

Otra opción es la estacionalidad de los bienes.

¿Qué es exactamente?

 
СанСаныч Фоменко #:

Se cree que la inmensa mayoría de las aplicaciones del MO, independientemente de la herramienta, se dan en ámbitos en los que existe una relación "natural" entre el maestro y los predictores. Por ejemplo, la predicción meteorológica: temperatura, humedad...

Nos hurgamos las narices y se nos ocurren predictores que son fruto de nuestra imaginación y, por alguna razón, queremos que predigan las órdenes comerciales.

Así que cualquier publicación con predictores "naturales" no nos interesa. Desgraciadamente.

Bueno, esto es sólo un aspecto de alimentar el modelo con rasgos, lo que parece lógico. Y lo que se hace después con él es, por supuesto, una cuestión esotérica.

Por ejemplo, este enfoque permite meter más historia en una muestra
 
Aleksey Nikolayev #:
No) Slutsky-Yula, encontré el post. Creo que se encontraron otros efectos similares, pero no recuerdo exactamente. Al menos ahora se acepta tener cuidado con la periodicidad aparente, aunque por supuesto a los radioaficionados locales todo eso les da igual)

Pues por qué no.

Hay procesos económicos con periodicidad aparente, no especulativa. La cosecha, por ejemplo. Y hay muchos procesos de este tipo. Hay modelos para ellos en los que la periodicidad es uno de los parámetros.

Otra cosa es que haya que separar la periodicidad existente en la realidad de la periodicidad mamada con la ayuda de algún Fourier, que floreció en Forex. Hace unos 10 años, no faltaban ingenieros de radio. Una enorme cantidad de gente no entiende que una propiedad muy importante de cualquier modelo matemático debe ser su interpretabilidad, la posibilidad de comparar tales o cuales parámetros y propiedades del modelo con la realidad. Y cuando, viendo ondas evidentes en gráficos de periodicidad variable, empezamos a inventarnos unas demandas-sugerencias, que no se sabe de dónde vienen, el resultado es el correspondiente.

 
Maxim Dmitrievsky #:

Bueno, esto es sólo un aspecto de la alimentación del modelo con signos, que parece lógico. Y lo que se haga después con él es, por supuesto, una cuestión esotérica.

Por ejemplo, este enfoque permite meter más historia en una sola muestra.

Con nosotros, basura dentro es basura fuera, y la mayoría de la gente NO tiene basura dentro.

 
Pensar que Fourier sólo trata de periodicidad es como pensar que la música sólo trata de rap...

No te ríes de los radioaficionados, sino de tu analfabetismo.
 
СанСаныч Фоменко #:

Con nosotros, basura dentro es basura fuera, y la mayoría de la gente NO tiene basura fuera.

Se necesita un algoritmo vagabundo que escarbe en la basura.

"De la suciedad a los duques", podría llamarse una serie de artículos.

 

Parece un lugar común y parece intuitivamente obvio que un aprendizaje más cuidadoso produce un cambio de la generalización a la memorización de una muestra concreta.

Yo me lo explico por el hecho de que si se utilizan modelos con un número creciente de parámetros (árbol de decisión, por ejemplo), entonces un mayor número de iteraciones conduce simplemente a un aumento del número de parámetros. Con modelos con un número fijo de parámetros es más complicado, pero probablemente podemos decir que con iteraciones crecientes el espacio de parámetros se "utiliza más".

Para decirlo de forma aún más sencilla, aumenta el número de opciones entre las que elegir y es más fácil escoger lo que se necesita. Por ejemplo, la variante más rastreable de SB cuando se elige entre 1000 de sus variantes estará más de moda que cuando se elige entre 100 variantes.

PS. Se trata de lo siguiente
 
Aleksey Nikolayev #:
No hace mucho tiempo en el foro alguien dio el nombre del efecto (no lo he encontrado todavía), debido a que la serie cerca de SB parecen tener un período. Este efecto se asocia con muchos momentos vergonzosos en la ciencia, cuando por medio de Fourier "encontrado" periodicidad en los procesos, y radioaficionados a causa de ella en el foro nunca será traducido).

Este

 
Aleksey Vyazmikin #:

Es

Aún no lo entiendes, formula la pregunta directamente si puedes.