L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1477
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
J'ai également une idée de la manière de répartir le prix.
Nous prenons un prix et le regroupons en, disons, 10 groupes, entraînons le réseau, voyons l'erreur...
Puis nous abandonnons un cluster, disons le dixième, entraînons à nouveau le réseau et voyons l'erreur. Et donc nous essayons toutes les combinaisons jusqu'à ce que nous trouvions quelque chose d'intéressant... En fin de compte, il peut s'avérer que seuls 1,3,9 clusters devraient être laissés dans la série pour faire de bonnes prédictions.
J'ai aussi une idée de la façon de répartir le prix.
Nous prenons un prix et le regroupons en, disons, 10 groupes, entraînons le réseau, voyons l'erreur...
Puis nous abandonnons un cluster, disons le dixième, entraînons à nouveau le réseau et voyons l'erreur. Et donc nous essayons toutes les combinaisons jusqu'à ce que nous trouvions quelque chose d'intéressant... Après tout, nous pourrions découvrir que nous ne devrions garder que 1, 3, 9 clusters dans la rangée pour faire de bonnes prédictions.
Une analogie est de jeter les feuilles de l'arbre, comme l'a fait Alexei.
Mais le problème est qu'un arbre est toujours pire que 100-200 arbres dans une forêt.
Une analogie : jeter les feuilles de l'arbre, comme Alexei.
Non, c'est différent...
Jeter les feuilles, c'est changer les règles de l'arbre de décision qui prédit le processus.
Je suggère de changer le processus lui-même.
Ce n'est pas une merde, c'est juste une blague.)
Koldun entame un nouveau congé de quatre mois, tandis que le professeur continue à travailler pour "améliorer son image". Quel hoot)))) hilarant ...
J'ai aussi trouvé une idée pour réduire le prix.
La dimensionnalité peut être diminuée de plusieurs façons, ce serait une bonne idée. L'exemple le plus simple. Noir fin - cloze, points bleus
intersections, rouge - une tentative primitive de reconstruire le vr original à partir des points syn. Il existe de nombreuses méthodes de récupération.
Vous pouvez juger de la "qualité de l'éclaircissement" par la simplicité de la fonction utilisée pour la reconstruction. Plus c'est simple, mieux c'est...
L'analogie est de jeter les feuilles d'un arbre, comme Alexei.
Mais le problème est qu'un arbre donne toujours de moins bons résultats que 100-200 arbres dans la forêt.
Pas jeter, mais éliminer. C'est comme si l'on rassemblait différentes mini-stratégies dans une grande piscine. Et puis soit la décision collégiale ou donner à chaque feuille un lot fixe, ce que je fais maintenant.
Abandonner les feuilles signifie changer les règles de l'arbre de décision qui prédit le processus.
Pourquoi les règles changeraient-elles ? Non, il élimine simplement les feuilles qui sont plus sûres de leurs résultats, au détriment de celles qui voudraient faire n'importe quelle prédiction pour le bien du système. En d'autres termes, il se peut qu'un seul arbre n'ait pas la solution idéale pour une situation donnée, mais lorsque des centaines d'arbres différents sont utilisés et qu'une sélection est effectuée sur ces derniers, le risque de ne pas avoir de solution pour la situation en question devient insignifiant.
Le magicien entame un nouveau congé de 4 mois, l'enseignant continue de se battre pour "élever l'image". Quelle histoire drôle))) hilarante ...
tu parles déjà de toi à la troisième personne, tu es complètement cinglé.) l'image est bien.
La dimensionnalité peut être réduite de différentes manières pour que cela fonctionne. L'exemple le plus simple. Noir fin - cloze, points bleus -
et rouge - une tentative primitive de restaurer l'image initiale sur les points de synchro. Il existe de nombreuses méthodes de récupération.
Vous pouvez juger de la "qualité de l'éclaircissement" par la simplicité de la fonction utilisée pour la reconstruction. Plus c'est simple, mieux c'est...
Merci, c'est intéressant ! Existe-t-il des noms scientifiques pour l'amincissement et les fonctions de récupération ?
Pourquoi les règles changent-elles ? Non, ils éliminent simplement ceux qui sont plus confiants dans leurs résultats en éliminant ceux qui bâillonneraient toute prédiction pour le bien du système. En d'autres termes, il se peut qu'un seul arbre n'ait pas la solution idéale pour une situation donnée, mais lorsque des centaines d'arbres différents sont utilisés et qu'une sélection est effectuée sur ces derniers, le risque de ne pas avoir de solution pour la situation en question devient insignifiant.
Il s'agit d'un changement de règles, quelle que soit la façon dont on le présente, et la direction dans laquelle il a été modifié est une autre question.
Quand je regarde votre dessin avec le croisement des wagons, je suis étonné de voir à quel point le prix tourne souvent aux croisements, mais dans la direction opposée)) contre les signaux de la foule.
Mais bien sûr, cela ne fonctionne pas toujours en raison de la volatilité des propriétés du marché, j'ai besoin d'un indicateur adaptatif. Et j'ai une idée : si nous pouvions apprendre à NS à deviner les "bonnes" périodes en mode temps réel pour attraper les revirements avec précision ?
Qui a des idées sur la cible et sur les paramètres de prix à prendre comme prédicteurs ?
Eh bien, c'est un classique, je l'ai déjà écrit plus haut, lorsqu'il s'agit de prédire l'optimum des caractéristiques et des résultats de TC (Equity/Pnl...).
Si c'est "directement", le principe est le même que pour les retours ou les volos, pour chaque échantillon, divisez l'échantillon en "avant" et "après" par un certain point mobile price(t), calculez tous les chiffres pour {price(t-N),price(t)} et les chiffres cibles {price(t+1),price(t+K)} et faites passer t par toute la série. Dans ce cas, les cibles seront les optimums fluctuants sur {prix(t+1),prix(t+K)} sur une certaine fenêtre dans le futur, et les caractéristiques peuvent être n'importe quoi, des stochastiques ou des momentums de différentes périodes, aux optimums fluctuants ou autres CTs sur la période précédente{prix(t-N),prix(t)}.
Quelle version de JPrediction utilisez-vous ?
14 il semble.