L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 595
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Lorsque vous entrez dans un bâtiment appelé "Statistiques", il est écrit"Garbage in, rubbish out" au-dessus de l'entrée.
Tout indicateur est fonction du prix. Les réseaux neuronaux ne sont pas indulgents. Il est capable de dériver lui-même toute formule d'indicateur si le réseau est suffisamment profond. Si le réseau ne peut pas apprendre sur des données de prix, ce n'est pas à cause des entrées mais du fait qu'il est impossible de recevoir des données de sortie sur le prix.
Tout indicateur est fonction du prix. Les réseaux neuronaux ne sont pas indulgents. Il est capable de dériver lui-même toute formule d'indicateur si le réseau est suffisamment profond. Si le réseau ne peut pas apprendre à partir des données sur les prix, il ne s'agit pas d'une question d'intrants, mais du fait qu'il est en principe impossible d'obtenir des données de sortie à partir des prix.
Vous et SanSanych avez tous deux raison.
D'une part, le SN construira automatiquement l'indicateur nécessaire et sa totalité. En revanche, si les données sont brutes et qu'elles contiennent trop de bruit, aucun NS ne sera en mesure d'apprendre quoi que ce soit. Donc, il s'agit aussi des entrées.
Dans quelle mesure est-il important de mélanger l'échantillon lors de l'entraînement du SN ? Quelles sont les justifications mathématiques de ce choix ?
Le mélange est-il pertinent pour tous les modèles MOE ou seulement pour certains modèles spécifiques ?
Dans quelle mesure est-il important de mélanger l'échantillon lors de l'entraînement du SN ? Quelles sont les justifications mathématiques de ce choix ?
Le mélange est-il pertinent pour tous les modèles MoD ou seulement pour certains modèles spécifiques ?
Il est nécessaire de procéder à des mélanges pour que l'algorithme d'apprentissage ne suive pas le même chemin à chaque cycle. Il se peut que nous ne parvenions pas à sortir de l'extrémum local.
c'est-à-dire qu'il faut mélanger et s'entraîner plusieurs fois pour voir comment les résultats sont corrélés ?
c'est-à-dire mélanger quelques fois, s'entraîner quelques fois et voir comment les résultats sont corrélés ?
Remuer après quelques époques d'entraînement. Malheureusement, de nombreux algorithmes d'apprentissage ne permettent pas les pauses (voir Python - certains paquets (modules)) et recommencent à zéro à chaque fois.
Il est également bon de combiner le brassage avec le recuit. Mais, là encore, il est difficile de le faire sur la machine. Vous devez toujours examiner les résultats intermédiaires, puis planifier les étapes suivantes.
Un brassage est nécessaire après quelques époques d'apprentissage. Malheureusement, de nombreux algorithmes d'apprentissage ne permettent pas les pauses (voir Python - certains paquets (modules)) et recommencent à zéro à chaque fois.
Il est également bon de combiner le brassage avec le recuit. Mais, là encore, il est difficile de le faire sur la machine. Il faut toujours observer les résultats intermédiaires et planifier ensuite les étapes suivantes.
wow... c'est ça... c'est-à-dire que le fait de le mélanger avant l'entraînement n'a aucun sens.
Et vous l'avez maintenant) Rattlesnake est CatBoost.
---------
Si jamais vous avez envie d'attraper un boson...
https://www.kaggle.com/c/higgs-boson
Par défaut, Darch effectue un mélange avant chaque époque. J'ai essayé de l'éteindre - ça n'a rien appris du tout.
Je me demandais donc, si tout est mélangé, comment faire pour que les données fraîches aient un effet plus fort sur l'apprentissage ?
Par défaut, Darch effectue un mélange avant chaque époque. J'ai essayé de l'éteindre - ça n'a rien appris du tout.
Je me demandais donc, si tout est mélangé, comment faire pour que les données fraîches aient un effet plus fort sur l'apprentissage ?