L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 1912
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
En d'autres termes, l'algorithme attribuera un poids déraisonnablement élevé à ces deux vecteurs proches.....
Mais pourquoi est-ce déraisonnable ? Si quelque chose est répété souvent, disons 100 fois, et donne un résultat statistiquement significatif, il est tout simplement adéquat d'y accorder plus de poids qu'à un exemple avec une seule observation et un résultat peu clair.
1) vous avez vu des nuages 100 fois et il a plu 70 % du temps.
2) votre genou vous a démangé une fois et il a plu.
pourquoi pensez-vous que ces deux modèles devraient avoir le même poids ? le monde entier pense différemment, la neuronique aussi :)
Mais pourquoi n'est-elle pas justifiée ? Si quelque chose est répété souvent, disons 100 fois, et donne un résultat statistiquement significatif, il est adéquat de lui donner plus de poids qu'un exemple avec une seule observation et un résultat peu clair.
1) vous avez vu des nuages 100 fois et il a plu 70 % du temps.
2) votre genou vous a démangé une fois et il a plu.
pourquoi pensez-vous que ces deux modèles devraient avoir le même poids ? le monde entier pense autrement, et la neuronique aussi :)
et ces statistiques ne vous apprennent rien ?
Vous gagnez de l'argent 100 fois et vous gagnez XZix fois.
;)
Mais pourquoi n'est-elle pas justifiée ? Si quelque chose est répété souvent, disons 100 fois, et donne un résultat statistiquement significatif, il est adéquat de lui donner plus de poids qu'un exemple avec une seule observation et un résultat peu clair.
1) vous avez vu des nuages 100 fois et il a plu 70 % du temps.
2) votre genou vous a démangé une fois et il a plu.
pourquoi pensez-vous que ces deux modèles devraient avoir le même poids ? le monde entier pense autrement, la neuronique aussi :)
Chers collègues, pardonnez-moi généreusement, mais je me suis perdu dans ma déclaration. Bien que j'aie un ensemble d'entraînement composé de moins de lignes que de colonnes. Cependant, la formation elle-même se déroule sur un échantillon de 11 colonnes. Bref, je ne l'ai pas fait exprès. Je ne savais pas ce que je faisais :-(
(Pardonnez-moi) si vous étiez réfléchi, vous l'avez compris...
Mais je n'ai toujours pas entendu la réponse à ma simple question : POURQUOI les valeurs uniques sont-elles meilleures que les valeurs statistiquement significatives ?
De plus, si vous voulez rendre toutes les rangées uniques, je vous ai donné une idée pour le faire, pourquoi ne pas le faire ?
===============================================
Super vidéo - comment et de quelle manière les vrais problèmes ont été résolus au MO, il y a aussi un problème avec BP, très intéressant.
pardonnez-moi), ceux qui ont regardé attentivement ont compris...
Mais je n'ai toujours pas entendu la réponse à ma simple question : POURQUOI les valeurs uniques sont-elles meilleures que les valeurs statistiquement significatives ?
De plus, si vous voulez rendre toutes les rangées uniques, je vous ai donné une idée pour le faire, pourquoi ne pas le faire ?
===============================================
Super vidéo - comment et de quelle manière les vrais problèmes ont été résolus au MO, il y a aussi un problème avec BP, très intéressant.
Oui, merci pour le code, je l'ai sauvegardé mais je ne l'ai pas encore vraiment étudié... Je pense que je le regarderai dans la semaine...
Parce que les vecteurs statistiquement significatifs peuvent être utilisés de front, sans NS. Lors de l'apprentissage, il est préférable d'apprendre les vecteurs qui sont regroupés dans la même zone. Si les mêmes vecteurs apparaissent dans le futur, tout va bien, mais si un vecteur apparaît dans un futur proche, mais qu'il appartient à une autre classe, le réseau fera une erreur de 100%, parce qu'il n'a pas compris que ce groupe appartient à une certaine classe. IMHO
Les mêmes vecteurs, alors c'est OK, mais si un vecteur apparaît dans le voisinage, mais est d'une classe différente, alors le réseau fera une erreur de 100%, car il a notifié que ce groupe appartient à une classe spécifique. IMHO
Ahhhhhh, bien, j'ai compris ton point de vue...
Ecoute, je suis désolée d'avoir été cassante avec toi, parfois je ne vais pas bien.
La question est de savoir comment un réseau neuronal prédit le désir de la banque d'acheter ou de vendre un certain volume de devises (par exemple) ? Tout réseau neuronal ne peut attraper l'inertie dans la direction que lorsque les volumes spéculatifs sont vendus et que le prix bouge activement. Mais un réseau neuronal ne montrera jamais le moment exact de l'entrée du participant qui changera le prix (price driver), bien que ce ne soit pas nécessaire - 99% si vous savez identifier le price driver et sa direction, vos transactions seront toujours avant la mise en œuvre et vous aurez un profit stable. Ma société possède également un département de trading algorithmique, mais il est davantage axé sur le scalping très rapide - le réseau neuronal capte également l'inertie des algorithmes hft et, sur la base de son analyse, nos robots réalisent des transactions en copiant intégralement le hft (uniquement pour certains marchés et symboles). Le trading de base se fait à la main, à l'ancienne, car on ne peut pas prédire le driver de prix (et ce n'est pas nécessaire), on peut seulement le voir = la voiture vous montrera l'indicateur avant de changer de direction (vous comprenez que le réseau neuronal ne peut pas prédire quand l'indicateur de telle ou telle voiture s'allumera).
J'ai décidé de voir à quoi ressembleraient des données typiques pour la formation de NS en 3d ;)
données est de 31 indicateurs, la cible est un zigzag
j'ai réduit la dimensionnalité à trois dimensions avec trois algorithmes - pca, t-sne , umap (les deux derniers sont considérés comme les plus avancés)
qu'est-ce que c'est d'ailleurs -https://en.wikipedia.org/wiki/Dimensionality_reduction
how it can help -https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%BE%D0%BA%D0%BB%D1%8F%D1%82%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8
Donc les données 31 indicateur cible zigzag , d'abord nous avons PCA
prochain t-sne
umap
comme on peut le voir, on ne peut pas le diviser par classes, donc soit la cible est nulle, soit les caractéristiques, soit tout cela à la fois ;)))
Une surface avec une bonne séparabilité devrait ressembler à ceci, mais il y a trois classes ici, mais je pense que vous comprendrez l'idée.
une question : comment un réseau neuronal peut-il prédire le désir de la banque d'acheter ou de vendre un certain volume de devises (par exemple) ?
les gros achats ne se font pas en une seconde, cela prend du temps, pendant ce temps le prix affichera un modèle pour ces achats, ce modèle peut être essayé de trouver avec l'aide d'algorithmes d'apprentissage automatique.