¿Qué alimentar a la entrada de la red neuronal? Tus ideas... - página 41
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
Gracias por la idea, desgraciadamente es difícil trabajar con ticks, yo trabajo con precios de apertura.
He ganado un 60% al día en un gráfico típico.
Dime las reglas del trading
Dime las reglas del oficio
He leído el libro de Bill Williams "Masters of the Markets". Si el volumen aumenta en las barras ascendentes, debe comprar. Si el volumen disminuye en barras alcistas, debe vender. Lo mismo para vender es similar. Una barra pequeña con una sombra en la parte inferior es una señal de compra. Una barra pequeña con una sombra pequeña indica el final de la tendencia. Usted puede mirar en el volumen de garrapatas, se construye en los indicadores básicos en mt.
Ok, gracias.
El rojo debe describir el verde de tal manera que se debe buscar una utilidad máxima global.
Pues claro que sí. Pero, ¿cómo, mejor :) ?
Usted puede tomar las métricas estándar - la misma exactitud o precisión, u otras métricas que describen la eficiencia de la clasificación.
A ndrey Dik #: Y, ¿qué son exactamente "estándar", con lo que comparar?
Métodos estándar aquí significa más bien conocido, la lista no está a la mano ahora, pero son esencialmente tres categorías:
1. Enumeración - aquí partimos de añadir/eliminar pieza por pieza o en grupos - es decir, nos basamos en el resultado.
2. Análisis de modelos de árbol para determinar la frecuencia y el uso de predictores en ellos.
3. Evaluaciones estadísticas de distribuciones recíprocas con exclusión de rasgos correlacionados y otras evaluaciones estadísticas de utilidad.
Imaginemos que ya tenemos un montón de predictores que nos morimos de ganas de alimentar a la entrada del NS. Sin embargo, el ordenador podría sobrecargarse por el exceso de datos entrantes; no tenemos millones de dólares para superordenadores. ¿Qué hacer en este caso, qué algoritmo de optimización será ideal para la tarea de seleccionar los predictores más útiles, qué tipo de FF se puede inventar, y será más eficiente que los métodos estándar desde el punto de vista económico? Esta es una pregunta que nunca deja de preocupar a los pobres :))))) ¿Qué opinas?
A leksey Vyazmikin #:
1. Bueno, por supuesto, ¡es necesario! Pero, ¿cómo, mejor :) ?
2. Puede utilizar métricas estándar: exactitud o precisión, u otras métricas que describan el rendimiento de la clasificación.
Los métodos estándar son más bien conocidos, no tengo la lista a mano ahora, pero son básicamente tres categorías:
1). Overshooting - aquí empezamos añadiendo/eliminando uno a uno o en grupos - es decir, confiamos en el resultado.
2). Análisis de modelos de árbol para determinar la frecuencia y el uso de predictores en ellos.
3). Estimación estadística de distribuciones recíprocas con exclusión de rasgos correlacionados y otras estimaciones estadísticas de utilidad.
1- Es mejor cuando el máximo global de la eficiencia del sistema FF es singular y estacionario. Se parecerá a una isla de superficie sólida estable entre un mar de olas (bueno, u olas del mar). Los parámetros robustos implican un rendimiento similar del sistema con datos nuevos. Si no hay tales islas estables, hay al menos dos posibilidades: o bien el sistema no tiene parámetros robustos en absoluto, o bien se ha elegido que todo el FF (o una o más métricas incluidas en él) sea inconsistente con el proceso. ¿A qué se refiere con "inapropiado para el proceso"? Por ejemplo, se lanza un cohete al espacio y una de las métricas del vehículo se implementa para medir la dinámica del cambio en el porcentaje de polluelos de cormorán que eclosionan en los últimos 100 años. ¿Cómo afecta esta métrica al éxito del lanzamiento de la nave espacial? - En nada, dicha métrica sólo diluye la métrica general del proceso de lanzamiento de la nave espacial.
2. ¿En qué se diferencia la aplicación de FF de los métodos "estándar"?
1. es mejor cuando el máximo global de la eficiencia del sistema FF es único y estacionario. Parecerá una isla sólida y estable de la superficie entre un mar de olas (bueno, u olas del mar). Unos parámetros robustos implican un rendimiento del sistema similar con datos nuevos. Si no hay tales islas estables, hay al menos dos posibilidades: o bien el sistema no tiene parámetros robustos en absoluto, o bien se ha elegido que todo el FF (o una o más métricas incluidas en él) sea inconsistente con el proceso. ¿A qué se refiere con "inapropiado para el proceso"? Por ejemplo, se lanza un cohete al espacio y una de las métricas del vehículo se implementa para medir la dinámica del cambio en el porcentaje de polluelos de cormorán que eclosionan en los últimos 100 años. ¿Cómo afecta esta métrica al éxito del lanzamiento de la nave espacial? - Nada, tal métrica sólo diluye la métrica general del proceso de lanzamiento.
Así es, el 100% es bueno.
Eso es lo que tenemos que averiguar: ¡hay islas o sólo océanos!
A ndrey Dik #: 2. ¿En qué se diferencia la aplicación de FF de los métodos "estándar"?
¿algoritmo? Pero, me gustaría responder de otra manera - "eficiencia" y la velocidad de encontrar una buena solución.
1. Así es, el 100% es bueno. Eso es lo que tenemos que averiguar: ¿hay islas o sólo océanos?
2. ¿Por algoritmo? Pero me gustaría responder de otra manera: por "eficiencia" y rapidez para encontrar una buena solución.
1. Así que es fácil de comprobar - en una ventana flotante. El FF de parámetros no robustos se verá como olas, y los robustos como una isla estable.
2. Es difícil decir acerca de la velocidad, pero sobre la eficiencia - no hay diferencia, tanto allí como allí todo está en la FF. Otra cosa, donde hay un mayor nivel de control sobre cada componente del sistema.
1. Es fácil comprobarlo en una ventana flotante. Los FF de parámetros no robustos se verán como olas, y los robustos como una isla estable.
2. Es difícil decir acerca de la velocidad, pero sobre la eficiencia - no hay diferencia, tanto allí como allí todo descansa en el FF. Otra cosa, donde hay un mayor nivel de control sobre cada componente del sistema.
1. Sincronicemos los relojes Tenemos un conjunto de predictores - nuestra tarea es seleccionar los eficaces, es decir, los que contribuyen a la mejora de nuestro indicador - que sea la precisión. Hacemos una selección, construimos un modelo simple de madera y evaluamos el rendimiento de la clasificación en una muestra de validación, así para cada agente. Y así sucesivamente - obtenemos el resultado - enviamos agentes a explorar nuevas coordenadas.
Al final tenemos un montón de variables binarias - un interruptor - on/off.
¿Cómo graficamos las ondas aquí y en qué punto?
2- Eficiencia por número de iteraciones/tiempo perdido, además describí 3 métodos diferentes globalmente - interesante hacer una comparación completa entre ellos.