L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2125
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
? lecture d'actualité ))))
là, le début de l'opus :
http://www.ievbras.ru/ecostat/Kiril/Library/Book1/Content0/Content0.htm#Ref
Tu lis vraiment ça ?
le fait est qu'il a été écrit sans aucune puissance de calcul et logique en premier lieu, et, comme indiqué, il fonctionne) beaucoup d'eau bien sûr, mais vous pouvez passer au crible vous-même. Et le début, eh bien, c'est le moment, sans le début du livre n'aurait pas été. Vous pouvez également en tenir compte)
http://gmdh.net/articles/theory/bookInductModel.pdf
un gros avantage est que les modèles linéaires convergent toujours vers un minimum local. C'est pourquoi la méthode est toujours pertinente
J'ai vu ce livre il y a quelques années.
Il semble... oui, c'est fascinant, mais quel est l'intérêt réel ? si le but est d'écrire un diplôme ou un doctorat - oui, c'est un livre de bord
si l'objectif est la série chronologique, ce livre traite d'autre chose, de l'invention de la forêt aléatoire à l'aube du développement de l'informatique.
imho, même les ensembles de NS peu habitués à l'application dans la pratique, comment travailler avec BP ? bien, comme une option de mess up un tas de beaucoup de NS, et à la fin vous obtenez autoecoder ? - Je doute que même un réseau convolutif puisse être obtenu avec ce livre.
Vorontsov est plus pertinent pour les connaissances anciennes, et le traitement des données - je suis en train de mâcher quelques cours en ligne sur BP - il y a quelque chose dedans ;)
Si tous les points du test et du train sont classés dans une liste commune (réorganisée selon un certain modèle), cela signifie qu'ils sont mélangés. Voici ce que je comprends. Le test ne doit en aucun cas se mélanger au plateau.
Si les points sont indépendants (pas d'autocorrélation), vous pouvez et devez les mélanger.
En fait, c'est comme ça que fonctionne la forêt aléatoire.
J'ai vu ce livre il y a quelques années.
en apparence... oui, c'est fascinant, mais vraiment - pourquoi ? si le but est d'écrire un diplôme ou un doctorat - oui, c'est un livre de bord
si l'objectif est la série chronologique, ce livre traite d'autre chose, de l'invention de la forêt aléatoire à l'aube du développement de l'informatique.
imho, même les ensembles de NS peu habitués à l'application dans la pratique, comment travailler avec BP ? bien, comme une option un tas de beaucoup de NS, et à la fin vous obtenez autoecoder ? - Je doute que même un réseau convolutionnel puisse être obtenu avec ce livre.
les connaissances anciennes, Vorontsov est plus pertinent, et le traitement des données - j'ai fini d'étudier les cours en ligne sur BP - il y a quelque chose dedans ;)
De quoi tu parles ? T'es bourré ou quoi ?
Demandez à Vorontsov qui est Ivakhnenko pour lui...
si les points sont indépendants (pas d'autocorrélation), le mélange est possible et nécessaire
en fait, c'est comme ça que fonctionne une forêt aléatoire
La série temporelle a 2-3 points très corrélés de chaque côté. C'est-à-dire que la condition d'indépendance n'est pas remplie.
Il existe des méthodes spéciales de sesplicing pour les séries temporelles, qui prennent tout cela en compte.
La série temporelle a 2-3 points très corrélés de chaque côté. C'est-à-dire que la condition d'indépendance n'est pas remplie.
il est possible de supprimer ces doublons, cela fonctionnera immédiatement sur les nouvelles données, mais l'écart ne sera pas couvert.
Si les points sont indépendants (pas d'autocorrélation), le mélange est possible et nécessaire.
pas de
ce n'est pas le but de l'ACF dans l'estimation BP
l'autocorrélation peut ne pas être présente pour le lag = 1, mais peut être présente pour les autres lags
et l'estimation de l'ACF n'est pas une évaluation des dépendances de décalage mais simplement un moyen d'identifier le modèle de processus - après avoir décidé à quel processus la BP se rapportera, nous commençons le prétraitement des données - soit en utilisant la BP elle-même soit en utilisant son échantillon de décalages
pas de
oui
avant
après la décorrélation vers laquelle va le surentraînement. La sérialité des marques doit également être prise en compte.
il est possible de supprimer ces doublons, cela fonctionnera immédiatement sur les nouvelles données, mais l'écart ne sera pas couvert.