L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2155
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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 ce qui concerne la normalisation invariante de la TF pour le modèle ...
nous prenons les séries, nous identifions les points de rupture importants.
ne laisser que les points extrema, supprimer le reste
normaliser
Maintenant, prenez les distances entre les points de rupture dans la première série, créez une nouvelle série à partir d'eux et normalisez aussi
On obtient ainsi la série normalisée, tant en amplitudes qu'en temps (fréquences)
Tout ce qui est nécessaire est de garder le nombre d'extrema dans le modèle égal, tout le reste est normalisé.
Ainsi, le modèle peut être alimenté en données, même une minute ou une semaine, et il les verra comme la même chose, il sera invariant à la TF.
Vous pouvez former un modèle pour toutes les TF en même temps.
=============================================
Pour ceux qui n'ont pas compris ce que c'est et à quoi ça sert
Ce sera un seul et même modèle pour le modèle car il s'agit d'un seul et même modèle.
Je fais presque la même chose, sauf que j'ai le temps et les points à 100%. Mais je ne comprends pas comment il est suggéré ici de normaliser le temps - par une distance minimale ?
deviné rapidement ) mais personne d'autre...
J'ai dû rater quelque chose ?
J'ai dû rater quelque chose ?
Oui, le trait d'union dans le pronom.
Je vais le répéter, pour les idiots.
Il y a des points dans l'espace des caractéristiques. Certains pour acheter, d'autres pour vendre.
Supposons que ces points puissent se déplacer de telle sorte que la séquence d'achat-vente ne soit pas respectée, c'est-à-dire que l'on perde des informations sur l'écart dans l'ensemble de données.
l'écart peut être assimilé à la distance euclidienne entre les points, ou entre deux classes de points.
comment ajouter ces informations. FNF, accélération et autres trucs que tu peux fourrer dans ton h. C'est pour la clarté de la perception, pour ainsi dire.
Le spread dans une transaction est toujours négatif sur le prix.
zy aggraver les termes
Karoch lire, lire , lire, lire....
Je ne comprends toujours pas ce que vous voulez faire avec cet écart (mon cerveau est manifestement en panne aujourd'hui, ou ce que vous n'avez pas dit...).
Je ne comprends même pas ce que tu veux faire et pourquoi...
Je lis, je lis , je lis, je lis, je lis, je lis....
Je ne comprends toujours pas ce que vous voulez faire avec la propagation (mon cerveau n'est manifestement pas en forme aujourd'hui, ou ce que vous n'avez pas dit....
Je ne comprends même pas ce que tu veux faire et dans quel but...
Demandez à Valeriy, il commence à avoir le coup de main...
Je trouve qu'il est difficile de trouver une autre formulation.Je fais presque la même chose, sauf que j'ai les temps et les points à 100%. Mais je ne comprends pas comment la normalisation du temps est proposée ici - par la distance minimale ?
normalisation 0-1 normalisation
Si, dans un ensemble de données déjà marqué avec des étiquettes, un écart est soustrait ou ajouté aux caractéristiques, en fonction de l'étiquette, quel effet cela aura-t-il ?
L'espace caractéristique sera-t-il mieux séparable ?
il est clair que cela n'est fait qu'à des fins de formation.
C'est l'approche que j'ai utilisée dans mon article : répartir les étiquettes à une distance significative les unes des autres, ce qui a considérablement amélioré l'apprentissage. Habituellement, nous avons des étiquettes remplaçant la régression par essence, donc plus l'écart par rapport au zéro (à la moyenne ?) est grand, plus la différence de caractéristiques est potentiellement grande - ce qui réduit le bruit en ne tenant pas compte des petits tees. Mais cela est utile dans la classification in/out et la triple classification achat/vente/attente. Il est probable que le succès de l'approche dépende également de la stratégie sous-jacente (formée ou émergente). À étudier plus avant.
C'est l'approche que j'ai utilisée dans mon article : répartir les notes sur une distance significative, ce qui a considérablement amélioré l'apprentissage. Habituellement, nous avons des étiquettes qui remplacent la régression par essence, donc plus l'écart par rapport au zéro (à la moyenne ?) est grand, plus la différence de caractéristiques est potentiellement grande - ce qui réduit le bruit en ne tenant pas compte des petits tees. Mais cela est utile dans la classification in/out et la triple classification achat/vente/attente. Il est probable que le succès de l'approche dépende également de la stratégie sous-jacente (formée ou émergente). Sous réserve d'une étude plus approfondie.
Pour l'instant, je n'ai en tête que le rééchantillonnage dur avec séparation des classes, mais je pense qu'il existe des moyens plus simples
comment avez-vous fait, quelle lettre dois-je lire ?
Oui, mettez un trait d'union entre les pronoms.
Ajouté :)