L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 1994
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
Il n'y a pas de couches là, c'est un booster d'arbres.
homme, la fonction n'est pas linéaire et complexe entre la source et la prévision. Mais au départ, les objectifs sont la cohérence et la prédiction correcte. C'est pourquoi la corrélation est généralement positive. Pas linéaire. Et cela ne fait aucune différence pour l'algorithme de prédiction. Les données sont préparées en vue d'une prédiction correcte. Mais tout cela n'est pas encore suffisant pour établir une prévision fiable.))))
heck, la fonction n'est pas linéaire et complexe entre la source et la prévision. Mais au départ, les objectifs sont d'apparier et de prédire correctement. La corrélation est donc généralement positive. Pas linéaire. Et cela ne fait aucune différence pour l'algorithme de prédiction. Les données sont préparées en vue d'une prédiction correcte. Mais tout cela ne suffit pas encore à établir une prévision fiable. ))))
F-carré est linéaire simple, erreur p-carré
Eh bien, nous parlons de choses différentes. l'erreur quadratique est une estimation de la prévision. pas une dépendance - une fonction des données brutes à la prévision. dans l'estimation est simple, les données sont réelles et prévues, mais la dépendance aux données brutes prévues est complexe. Et il n'est généralement pas fait. C'est compliqué. Il est plus facile d'estimer le résultat.
Les erreurs quadratiques sont une estimation de la prévision et non une dépendance - une fonction des données brutes par rapport à la prévision. L'estimation est simple, les données sont réelles et prévues, mais la dépendance par rapport aux données brutes prévues est complexe. Et ce n'est généralement pas le cas. C'est compliqué. Il est plus facile d'estimer le résultat.
Il a demandé le résultat, si le modèle montre une dépendance ou non. Le classique ne le fait pas. Peut-être qu'un autre le fera.
Mec, je deviens un peu mal à l'aise... Je n'avais pas du tout l'air de vous faire la leçon. )))) Laissez-moi vous poser une question. J'ai bien compris le tutoriel sur Python. La localité globale des noms est déterminée par l'emplacement du nom, mais les actions avec eux s'ils sont dans l'espace de noms de quelqu'un d'autre est déterminé par les préfixes de la localité globale. et si sans préfixes, le nom de l'espace de noms a la priorité. Logique d'espace de nom intéressante, surtout après BASIC))))
sur les cinq valeurs précédentes :
60% de précision
sur 10 valeurs précédentes se détériore, précision 50
au 3ème, la précision est de 57
Ligne de base bleue, prédiction orange. Les 300 dernières valeurs
Merci Maxim !
En fait, j'ai oublié de dire, il suffit que le modèle prédise le prochain signe (+-) de la série, la valeur cible + plus. La précision exacte n'est pas importante.
La longueur de l'échantillon n = 54 , couvre toutes les valeurs possibles.
Mec, je commence à me sentir un peu mal à l'aise... Je n'avais pas besoin de te faire la morale. )))) Laisse-moi te poser une question. J'ai bien compris le tutoriel sur Python. La localité globale des noms est déterminée par l'emplacement du nom, mais les actions avec eux s'ils sont dans l'espace de noms de quelqu'un d'autre sont déterminées par les préfixes de la localité globale. et s'il n'y a pas de préfixes, le nom de l'espace de noms a la priorité. Logique d'espace de nom intéressante, surtout après BASIC))))
Merci Maxim !
En fait, j'ai oublié de dire, il suffit que le modèle prédise le prochain signe (+-) de la série, la valeur cible + plus. Et la précision exacte n'est pas importante.
La longueur de l'échantillon n = 54 , couvre toutes les valeurs possibles.
Je le ferai plus tard dans la journée, si j'ai le temps.
Oui
cp. tout a une valeur. la liberté explicite dans les types de variables s'avère être une indication de type explicite. Cependant, s'il n'y a pas de noms identiques, cela devrait fonctionner sans préfixe.
cp. tout a une valeur. l'apparente liberté dans les types de variables s'avère être une indication explicite du type. Cependant, s'il n'y a pas de noms identiques, cela devrait fonctionner sans préfixe.