L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2115
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
Le sur-échantillonnage ne donne rien jusqu'à présent, mais le "tome" a un peu amélioré le résultat - cela signifie qu'il y a quelque chose dans les données, l'essentiel est de creuser correctement.
Histogramme des modèles avec différents paramètres de quantification sur l'échantillon.
Cela permet de mieux délimiter les classes. Il en va de même pour les données, afin que la séparation en classes soit claire et que les exemples ne se chevauchent pas.
et je sais même comment le faire... c'est plutôt intelligent, mais je ne l'ai pas encore fait.cela permet de mieux délimiter les classes. C'est également de cette manière que les données doivent être préparées - de manière à ce que la division en classes soit claire, que les exemples ne se chevauchent pas.
et je sais même comment le faire... je suis assez intelligent, mais je ne l'ai pas encore faitJe me demande comment ? Dans notre domaine, les classes peuvent généralement être décrites comme étant uniformément mélangées.
cela permet de mieux délimiter les classes. Les données doivent également être préparées de la même manière - de sorte que la division en classes soit claire, les exemples ne se chevauchent pas...
et je sais même comment le faire... c'est plutôt intelligent, mais je ne l'ai pas encore fait.Ajouter le clustering à l'échantillonnage des étiquettes. Regroupement par les mêmes attributs, puis échantillonnage avec les clusters. Les classes seront séparées, mais on ne sait pas ce qu'il adviendra des nouvelles données. Cela devrait s'améliorer, en théorie.
J'ai donc abordé cette idée ici cette semaine :)
Je suggère seulement de diminuer le nombre de classes principales.
J'ai donc couvert cette idée ici cette semaine :)
Je suggère seulement de réduire le nombre de classes principales.
je n'ai pas vu
Existe-t-il des méthodes/outils qui permettent de le faire automatiquement ?
Existe-t-il des méthodes/outils qui permettent de le faire automatiquement ?
Je ne sais pas, je dois voir. Je vais peut-être y jeter un œil ce week-end.
Faites-moi savoir si vous le trouvez, sinon je vais commencer à construire mon vélo :)
Elibrarius a suggéré une idée : il suffit de construire un arbre ramifié et de l'utiliser à la place du clustering, en prenant les informations des feuilles afin de réduire la classe majoritaire.
Futurs actuels - formation achevée en 2018. Trop jolie.
Et voici le même schéma pour les derniers contrats à terme. C'est plus triste ici, mais supportable.
Encore plus près de la fin de la formation, voyons les futurs. Et c'est là que le bât blesse.
Et je ne comprends pas ce qui se passe - il semblerait que plus on se rapproche de la fin de la formation, plus les résultats devraient être bons, mais c'est le contraire - une anomalie !
La réponse semble résider dans la tendance elle-même - les futurs actuels sans MO
Dernier site
et aussi
Oh, c'est MO !?