L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1116
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
Pourquoi avez-vous besoin du temps si les données sont mélangées avant la formation, à moins que ce ne soit pour mettre en évidence la section OOS... Ne vous inquiétez pas, montrez-moi juste les résultats...
J'en ai besoin.
Résultats. Voir mon fil de discussion. Ils sont sur l'affaire là-bas.
itslek a couru pour Validol))))
ensemble de données de 42 exemples ! 42 exemples !
ne mentionnez même pas la date dans la ligne de temps!
Je regarde.
Divisez le prédicteur en deux parties : une partie appartient à une classe et l'autre partie à l'autre classe. Dessinez un histogramme de chaque moitié et combinez-les.
Donc.
Les prédicteurs sont de qualité différente, mais ils ont tous une capacité prédictive bien meilleure qu'auparavant (de mémoire).
Nous devons introduire une mesure de la distance entre les histogrammes, qui montrera de manière plus réaliste la différence entre eux, ce qui sera plus précis que sous forme d'image.
jeu de données pour 42 exemples
Ecoute, je ne te comprends pas. .... Si votre IA est si cool qu'elle peut apprendre à partir de 1000 exemples, elle sera comme une noix. Quel est le problème ?
Je regarde.
Divisez le prédicteur en deux parties : une partie appartient à une classe et l'autre partie à l'autre classe. Dessinez un histogramme de chaque moitié et combinez-les.
Donc.
Les prédicteurs sont de qualité différente, mais ils ont tous une capacité prédictive bien meilleure qu'auparavant (de mémoire).
Nous devons introduire une mesure de la distance entre les histogrammes qui montrera de manière plus réaliste la différence entre eux, ce qui sera plus précis que sous forme d'image.
Super... continue. Nous avons besoin du résultat d'un modèle entraîné. L'analyse des données, c'est bien, mais le plus important, c'est le profit, si je ne me trompe pas, bien sûr. C'est pourquoi je vous demande de les échanger, si vous le pouvez...
Ecoutez, je ne vous comprends pas..... Si votre IA est si cool qu'elle peut apprendre à partir de 1 000 exemples, cet échantillon sera un jeu d'enfant. Quel est le problème ?
En fait, c'est l'inverse...
Il vaut mieux un mauvais algorithme mais plus d'exemples qu'un bon algorithme mais moins de données.
même 1000 n'est pas suffisant, surtout pour le marché...
En fait, c'est le contraire qui est vrai...
agree.... Cela dépend de l'outil d'IA utilisé. Certaines nécessitent un échantillon de grande taille et d'autres, comme un vecteur de vecteurs de référence, n'ont pas besoin d'un grand échantillon parce que la méthode est gourmande en ressources et qu'avec un grand échantillon, elle fonctionne pendant une période extrêmement longue...
agree.... Cela dépend de l'outil d'IA utilisé. Certaines nécessitent un échantillon de grande taille et d'autres, comme les vecteurs de référence, n'ont pas besoin d'un grand échantillon parce que la méthode est gourmande en ressources et prend un temps extrêmement long à exécuter avec un grand échantillon...
Qu'est-ce que l'IA ?
Des résultats pas mauvais sur la capacité de prédiction ne conduiront PAS à des modèles stables, car le nombre d'observations est simplement ridicule = 51. Nous avons besoin d'au moins 10 fois ce nombre, et de préférence de 100 fois ce nombre.
Si vous construisez des modèles sur ce nombre d'observations, les résultats sont catastrophiques.
Prédiction :
Réel [0,0] (0,1) Erreur
[0,0] 42.9 28.6 40
(0,1] 28.6 0.0 100
Erreur globale : 57,1%, erreur moyenne de classe : 70%.
Horodatage du hochet : 2018-10-18 21:29:39 utilisateur
======================================================================
Matrice d'erreur pour le modèle linéaire sur Mic1.txt [valider] (comptes) :
Prédiction :
Réel [0,0] (0,1) Erreur
[0,0] 1 4 80
(0,1] 2 0 100
Matrice d'erreurs pour le modèle linéaire sur Mic1.txt [valider] (proportions) :
Prédiction :
Réel [0,0] (0,1) Erreur
[0,0] 14.3 57.1 80
(0,1] 28.6 0.0 100
Erreur globale : 85,7%, Erreur moyenne par classe : 90%.
Horodatage du hochet : 2018-10-18 21:29:39 utilisateur
======================================================================
Matrice d'erreurs pour le modèle Neural Net sur Mic1.txt [valider] (comptes) :
Prédiction :
Réel [0,0] (0,1) Erreur
[0,0] 2 3 60
(0,1] 1 1 50
Matrice d'erreurs pour le modèle Neural Net sur Mic1.txt [valider] (proportions) :
Prédiction :
Réel [0,0] (0,1) Erreur
[0,0] 28.6 42.9 60
(0,1] 14.3 14.3 50
Erreur globale : 57,1%, erreur moyenne de la classe : 55%.
Horodatage du hochet : 2018-10-18 21:29:39 utilisateur