L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 1118
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
Comme d'habitude - il n'y a rien à dire))))
Oh, allez. De combien de données avez-vous besoin pour les estimer ?
Je n'ai besoin de rien. Donnez-moi au moins 2-3K d'observations.
Date, Brut, Traité, Cible
Malheureusement, on ne peut pas en trouver autant dans une vie. Et ensuite, combien de temps le modèle fonctionnera-t-il ??? Pour toujours ?
Je n'ai besoin de rien. Donnez-le moi, au moins 2-3K d'observations.
Date, brut, traité, cible.
Il a l'IA, celui-ci apprendra d'ici 50 ans aussi. Votre mode opératoire est juste faible.
Il a l'IA, celui-ci apprendra d'ici 50 ans aussi. Votre IA est juste faible.
Exactement. Je n'ai pas besoin des NS pour travailler pendant un an après une telle formation. Si cela fonctionne bien, au moins les mêmes 50 points, ce qui correspond à 100% de la période de formation, cela sera considéré comme un succès. Mais quel est l'intérêt de lui faire ingurgiter des milliers de lignes, de lui remplir la tête d'inepties et de données inutiles ????.
Ce qui est amusant, c'est que l'optimiseur de Mishani est bon pour récupérer les dépendances à partir de petits échantillons, ce qui est en fait son point fort. C'est écrit dans le livre. Et il la saisit vaguement avec ce qui remplace son cerveau.
D'autre part, il faut de toute façon tester sur une grande parcelle d'essai.
Et à quoi bon y entasser des milliers de lignes, lui remplir la tête de déchets et de données inutiles ????.
C'est à ce moment-là que le SN classera quelque chose. Au moins, elle essaiera de généraliser quelque chose, si tant est que cela soit possible.
C'est à ce moment-là que les SN vont classer quelque chose. Au moins, elle essaiera de généraliser quelque chose, dans la mesure du possible.
Cela est vrai si la zone est finie et statique, mais dans notre cas, elle est infinie et non stationnaire, donc l'augmentation de l'échantillon conduit à une diminution de la qualité de la formation, et par conséquent le modèle fonctionne mal sur les nouvelles données.
Pour réaliser des bénéfices sur le marché, toutes choses égales par ailleurs, la valeur en pourcentage des transactions rentables doit être supérieure à 75% et non inférieure. C'est la condition de l'égalité des profits et des pertes. Vous entraînez le réseau sur 1000 données et le résultat de l'apprentissage est de 60% comme exemple. Quel est l'intérêt d'utiliser un tel modèle, s'il est mal formé ????. Je suis sûr que vous ne pouvez pas obtenir un bon résultat sur une grande surface. Je parle de modèle généralisé, pas de modèle recyclé... IMHO
Tendance = 100k lignes. Sur le reste (test), vous appliquez le modèle.
La métrique est le logloss. Résultat. Tendance =... test =...
J'ai pris les premières 1-- lignes de votre fichier et j'ai lancé l'entraînement. Si le résultat est supérieur au mien de 40 instances, je considérerai que vos données sont meilleures que les miennes. Voyons voir maintenant...