L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2554
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 ne s'agit pas de résoudre un problème
Je veux dire la même chose, ils se fixent des tâches et ensuite essaient héroïquement de ne pas les résoudre ;))). Je comprends que plus la tâche est difficile, plus il y a d'excuses pour un résultat négatif, de pleurs, de sympathie et de remontrances pour des projets encore plus difficiles ;))).
C'est ce que je veux dire, ils se fixent des objectifs et essaient héroïquement de ne pas les résoudre )))). Je comprends que plus la tâche est difficile, plus il y a d'excuses pour un résultat négatif, d'exclamations, de sympathie et de remontrances pour des projets encore plus difficiles ;))).
Je me souviens...
J'ai une idée légèrement différente...
Si vous pouvez prédire qualitativement la distribution des futures cotations pour disons 50 bougies à venir, alors vous pouvez monter quelques milliers de séries à partir de cette distribution et entraîner le modèle, de cette façon le modèle fonctionnera adéquatement sur les 50 nouvelles bougies en théorie...
Mais si la classe est prédite de manière incorrecte, alors Montekarlo ne sera pas utile.
Vous pouvez jouer avec la taille de la fenêtre, examiner la qualité de la généralisation à différents niveaux. Il y a une chance d'entrer dans certains cycles
Mais si la classe est prédite de manière incorrecte, alors montecarlo ne sera d'aucune aide.
vous pouvez jouer avec la taille de la fenêtre, examiner la qualité de la généralisation à différents niveaux. Il y a une chance d'entrer dans certains cycles.
Que voulez-vous dire par "parfois" ?
Soit il existe une sorte de pipelining qui a fait ses preuves, soit ce ne sont que des spéculations inutiles.
Faire du bruit une classe distincte n'améliore pas, en théorie, le modèle (le bruit reste dans le modèle et ne va nulle part).
sur la dérive - c'est l'essentiel, c'est un compromis biais-variance.Parfois, cela signifie que, selon le modèle, les prédicteurs utilisés et les transformations. Et il y a un pipelining qui a fait ses preuves.
En théorie, cela n'améliore pas le modèle, mais en pratique, cela améliore le résultat (le bruit reste à l'intérieur du modèle et ne disparaît pas).Qu'est-ce que cela signifie ?
Ladérive - c'est l'essentiel, le compromis biais-variance - il ne s'agit pas du tout de cela. Si vous ne le comprenez pas, n'écrivez pas. Lisez-le, étudiez-le.
Soyez modeste, soyez modeste...
Cela dépend parfois du modèle, des prédicteurs utilisés et des transformations. Et il existe une Pipeline qui a fait ses preuves.
En théorie, cela n'améliore pas le modèle, mais en pratique, cela améliore le résultat (le bruit reste à l'intérieur du modèle et ne va nulle part). Qu'est-ce que cela signifie ?
Ladérive - c'est l'essentiel, le compromis biais-variance - il ne s'agit pas du tout de cela. Si vous ne le comprenez pas, n'écrivez pas. Lisez-le, étudiez-le.
Humble, humble...
Vous avez mis le bruit en 3ème classe pour ne pas faire de commerce ? Il est plus facile de prédire l'apparition du bruit que de prédire la marque de classe pour l'achat ou la vente.
c'est exactement ce que je veux dire.
Vladimir semble essayer de combattre la non-stationnarité en jetant des exemples qui appartiennent (vraisemblablement) à une distribution sans interaction.
Le compromis entre le biais et la variance est recherché en supposant une distribution constante (distribution conjointe des prédicteurs et des résultats).
Vladimir semble essayer de combattre la non-stationnarité en rejetant des exemples qui appartiennent (vraisemblablement) à une distribution non pertinente.
Le compromis entre le biais et la variance est recherché en supposant une distribution constante (distribution conjointe des prédicteurs et des résultats).
Supprimer les valeurs aberrantes ne consiste pas à combattre la non-stationnarité...
La suppression des émissions n'est pas une lutte contre l'instabilité...
Cela dépend de la nature de leur origine.
Vladimir semble essayer de combattre la non-stationnarité en jetant des exemples qui appartiennent (vraisemblablement) à une distribution sans interaction.
Le compromis entre le biais et la variance est recherché en supposant une distribution constante (distribution conjointe des prédicteurs et des sorties)
En supposant qu'à l'avenir, le modèle devrait également fonctionner, des erreurs de toutes sortes (y compris le bruit) seront toujours présentes, le problème étant de trouver un équilibre. Nous parlons donc de la même chose, en substance.
En fait, j'ai résolu ce problème d'une manière différente, c'est pourquoi j'écris des questions principales.