Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 868
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
Pregunta sobre el tema.
Se considera que NS puede proyectar cualquier indicador dentro de sí mismo.
¿Alguien ha intentado llevar a cabo un experimento - puede el NS reproducir, por ejemplo, MA? ¿O el MACD o un filtro digital?
Tal vez no sea un problema. Muchos casos en muchos paquetes de NS con el diseño de tales cosas.
Pero sólo si se diseña el TC, lo que hace internamente sigue siendo un misterio. Sólo los coeficientes.
Tal vez no sea un problema. Muchos casos en muchos paquetes de NS con el diseño de tales cosas.
Pero sólo si se diseña el CT, lo que hace internamente sigue siendo un misterio. Sólo los coeficientes.
En los paquetes suele haber lirios y medicamentos, etc. - No recuerdo nada con los índices de mercado.
Aunque MA es demasiado simple: para MA10 añada 10 entradas con v=1, asigne v=0 a otras entradas y luego elija k=10.
Losfiltros digitales son del mismo modo, pero v no será igual a 1, sino a otros valores según la fórmula del filtro. Y, en teoría, la NS podría encontrar no uno de los filtros estándar, sino uno único que se adapte mejor al mercado.
Es decir, esencialmente 1 neurona es un filtro digital (TF).
Las neuronas múltiples permitirán obtener las interacciones de múltiples TFs (deltas, sumas). Si necesitamos interacciones de segundo orden (delta de delta) - deberíamos añadir 1 capa oculta más.
El producto de 2x CP no se puede obtener a partir de 2 neuronas en la neurona de salida - es sólo una adición. Pero se puede recalcular en una neurona separada, sólo que v y k serán diferentes.
En definitiva, para mí es una nueva forma de ver la NS como TF.
Los paquetes suelen tener iris y medicamentos, etc. - No recuerdo nada con los índices de mercado.
Aunque MA es demasiado simple: para MA10 - sumar 10 entradas con v=1, asignar v=0 a otras entradas, y luego recoger k=10.
Losfiltros digitales son igual de simples v no serán iguales a 1 sino a otros según la fórmula del filtro. Y teóricamente la NS puede encontrar no algo de los filtros estándar, sino uno único que se adapte mejor al mercado.
Es decir, esencialmente 1 neurona es un filtro digital (TF).
Las neuronas múltiples permitirán obtener las interacciones de múltiples TFs (deltas, sumas). Si necesita interacciones de segundo orden (delta de delta) - necesita añadir 1 capa oculta más.
Algo parecido a esto escribí antes. Más 2 capas al NS, y le hará cualquier indicador-predictor por sí mismo. Y no hay necesidad de molestarse.
Algo parecido a esto escribí antes. Más 2 capas al NS, y le hará cualquier indicador-predictor por sí mismo. Y no tienes que molestarte en hacerlo.
La selección es necesaria cuando alimentamos aleatoriamente una gran cantidad de indicadores estándar y no estándar (por ejemplo, MA, CCI, RSI con diferentes períodos), pero no una serie temporal.
Debemos descartar los que no son adecuados. El NS con las series temporales en la entrada seleccionará automáticamente los indicadores con los coeficientes adecuados.
Entonces resulta que la selección de predictores es algo innecesario, que incluso puede interferir si la entrada es de barras.
La selección es necesaria cuando alimentamos aleatoriamente un montón de indicadores estándar y no estándar, pero no una serie temporal.
Y debemos descartar los que no son adecuados en absoluto. Pero el NS con las series temporales en la entrada seleccionará automáticamente los indicadores con los coeficientes adecuados.
Sí. Hay una serie temporal normalizada en la entrada del NS. Digamos que la estructura NS -15-20-15-10-5-1 ya está haciendo un buen trabajo.
Para determinar los largos y cortos se necesitan 2 NS.
Entonces resulta que la selección de predictores es algo innecesario, que incluso puede interferir si la entrada es de barras.
La selección es necesaria cuando alimentamos aleatoriamente un montón de indicadores estándar y no estándar, pero no una serie temporal.
Y debemos descartar los que no son adecuados en absoluto. Mientras que el NS con la serie temporal en la entrada seleccionará automáticamente los indicadores con los coeficientes adecuados.
Introduzco las series temporales (los precios desnudos)
aplicada a los indicadores e incrementos de entrada (incluidos los que tienen periodos exponenciales, etc.)
no hay ninguna maldita diferencia, pero sí la hay cuando alimento cosenos de diferencias, tangentes de diferencias y cos y tang hiperbólicas... No sé por qué es así, pero el rendimiento del TC mejora un poco
La entrada NS es una serie temporal normalizada. Digamos que la estructura NS -15-20-15-10-5-1 ya está funcionando bien.
Para determinar los largos y cortos necesitamos 2 NS.
He aprendido sobre 2 VS en la práctica, y es la única manera de utilizarlos. Si utilizo 3 clases (comprar, esperar, vender), entonces la clase media se produce muy rápidamente, especialmente si la neurona de salida es sigmoidea o tangente.
Pero si la regresión... Idealmente se necesita 1 neurona de salida.
alimentar las series temporales (precios desnudos) a la entrada
Introduzco los indicadores y los incrementos (incluidos los que tienen periodos exponenciales, etc.)
No veo ninguna diferencia, pero sí cuando introduzco cosenos de diferencias, tangentes de diferencias y cos y tang hiperbólicas... No sé por qué, pero el rendimiento del TC ha mejorado un poco
A continuación, se necesitan 3-4 capas ocultas para construir el análogo a partir de los precios desnudos. 1 capa para indicadores + 1 capa para deltas + 1 capa para cosenos y tangentes. ¿Lo has probado?
No, hasta ahora sólo utilizo el andamiaje (un conjunto de cualquier número de modelos, sobre diferentes características), el resultado es promedio
muy rápidamente todo funciona pero