L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 896
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
et laissez-moi vous dire que ces modèles fonctionnent exactement de la même manière que ceux de Reshetov sur l'OOS. Exactement la même chose.
c'est à dire, dans votre cas, RIEN ? je vous dirai la même chose, plus de limey 3rd grade parochial
c'est à dire dans votre cas, RIEN ? dire la même chose, plus qu'une 3ème année de paroisse
Pas cette fois Maximka, pas cette fois....... Le magicien s'est avéré avoir raison. La qualité des données a augmenté d'un ordre de grandeur, d'où la qualité du modèle.......
Mes deux magiciens préférés sont à nouveau amis. Ce qui les attend))))
Pas.... il ne s'est pas encore excusé.... bien qu'il n'y ait aucune raison de s'excuser pourtant....
Non, je ne l'ai jamais fait.
Je ne comprends pas vraiment pourquoi c'est nécessaire, parce que, par exemple, une forêt est déjà un classificateur ou un approximateur universel, et il n'y a rien à corriger à la main...
et les arbres simples sont des algorithmes primitifs plutôt faibles.
Un arbre, c'est plutôt une logique claire, qui se forme après analyse, et tout le reste ressemble à un ajustement pour moi jusqu'à présent.
Je me suis intéressé à l'arbre en tant qu'outil pratique permettant de prendre en compte différentes situations sur le marché, c'est-à-dire qu'il est pratique d'utiliser un seul et même modèle dans différentes conditions et de sélectionner ces conditions pour activer ou non le modèle. C'est un outil très cool pour la formation de motifs complexes, qui peut être facilement programmé, mais il n'existe pas de programme pratique.
Et si l'arbre, donne un résultat dans 90% des prédicteurs disponibles, c'est déjà plus que suffisant, alors quel est l'intérêt du NS ou ensemble d'arbres ? J'ai remarqué que si l'arbre utilise des règles booléennes (>/</==) pour la sélection des zones de classification des prédicteurs, le résultat est meilleur. Je comprends que l'arbre ne recherche pas tous les résultats disponibles ou que les règles avec un faible soutien sont coupées, ce qui entraîne une perte de 5-10% de la reconnaissance fiable de l'échantillon.
Et si l'arbre donne un résultat de 90% des prédicteurs disponibles, alors c'est plus que suffisant, alors quel est l'intérêt du NS ou de l'ensemble d'arbres ? J'ai remarqué que si l'arbre utilise des règles logiques (>/</==) pour attribuer les zones de classification des prédicteurs, alors le résultat est meilleur, je comprends que l'arbre ne passe pas par tous les résultats disponibles ou à cause des règles de coupe avec peu de renforcement sont coupés, ce qui entraîne une perte de 5-10% de reconnaissance fiable de l'échantillon.
le fait est qu'un arbre apprend simplement la séquence, sans aucune chance de s'adapter à des modèles changeants (et sur le marché, ils le feront toujours).
les ensembles ont de nombreuses composantes aléatoires qui augmentent la robustesse sur de nouvelles données
oui, couper l'arbre s'appelle élaguer
Maxime le Trickster défoncé n'en a rien à faire de toi.
Il ne comprend pas la profondeur de votre âme.
Il s'en est pris à l'automate hier. Regardez-le avec lui))) hilarant...
Pourquoi suis-je un magicien ? Mes messages ne disparaissent pas par magie.
Je suis juste un provocateur de statistiques.
et je ne fume pas
le point est qu'un arbre apprend simplement la séquence, sans aucune chance de s'adapter aux changements de modèles (et sur le marché, ils le feront toujours).
les ensembles ont de nombreuses composantes aléatoires qui augmentent la robustesse sur de nouvelles données
oui, la coupe des arbres s'appelle l'élagage
Comment pouvons-nous savoir comment les modèles vont évoluer ? Le réseau peut-il diviser l'échantillon en 100 parties et étudier dans ces parties non seulement les relations des prédicteurs mais aussi la nature du changement dans ces relations, c'est-à-dire les modèles ? S'il fait cela, alors oui, il peut déduire les règles pour changer le modèle, mais tout ce que j'ai lu à ce sujet semble être une classification perverse.
Ce que j'aime dans l'arbre, c'est la mise en place de la hiérarchie. Dans le programme sur lequel je travaille actuellement, il est possible de créer une hiérarchie de base, puis d'effectuer des calculs automatiques à partir de celle-ci (jusqu'à présent, c'est un problème, mais peut-être que je n'utilise pas tous les outils, car je n'arrive pas à en comprendre le nom). Par exemple, pour créer un ATC, j'utilise des questions auxquelles le TS doit répondre pour prendre une décision commerciale :
- Où suis-je ? (Description du niveau de prix)
- Comment suis-je arrivé ici ? (Analyse du mouvement du point conditionnellement opposé au point actuel)
- Que peut-il arriver ? (Calcul des événements probables lorsqu'ils se produisent dans le futur)
- Que faire ? (Analyse des modèles historiques en référence à la réponse aux 3 premières questions)
- Le jeu en vaut la chandelle ? (Analyse des pertes possibles à l'entrée et des profits possibles)
Je veux donc que le réseau/les arbres/la forêt répondent à ces questions dans le même ordre lorsqu'ils décident de faire des échanges.
Comment pouvons-nous savoir comment les modèles vont évoluer ? Le réseau peut-il diviser l'échantillon en 100 parties et étudier dans ces parties non seulement les relations des prédicteurs mais aussi la nature du changement dans ces relations, c'est-à-dire les modèles ? S'il fait cela, alors oui, il peut déduire les règles pour changer le modèle, mais tout ce que j'ai lu à ce sujet semble être une classification perverse.
les fait, les réseaux neuronaux avec validation croisée et les ensembles de modèles sous-jacents aussi.
+ diverses régularisations
Forest le fait, les réseaux neuronaux avec validation croisée et les ensembles de modèles de base aussi.
À propos de NS - peut-être n'ai-je pas encore compris quelque chose...
Comment une forêt fait-elle cela ? La forêt prend simplement des prédicteurs au hasard et cherche des liens entre eux, puis vote. Il votera soit de manière erronée ou non sur l'échantillon dans le cadre d'un modèle stationnaire en fonction du caractère aléatoire résultant de l'échantillon/des prédicteurs, soit son vote correct sera biaisé par cet échantillon, en supposant que les modèles de l'échantillon changent. Mais où se trouve l'analyse du changement de modèle ? Si je comprends bien, la forêt est bonne quand on ne connaît pas la qualité des prédicteurs, mais en l'absence de renforcement mutuel des prédicteurs, ces derniers n'auront aucun poids dans le vote ou leur poids ne sera pas significatif. Ou peut-être que j'ai tout faux ?