L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2568
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
Juger pourquoi ?
J'ai parcouru les liens sur ses deux sites - il y a des mises en œuvre de l'idée en MO là aussi. Son point est implémenté comme un grand ensemble de contextes, chacun d'entre eux étant une maille séparée (autoencodeur, par exemple).
J'ai parcouru les liens sur ses deux sites web - il y a des mises en œuvre de l'idée dans le MO. Son idée est mise en œuvre sous la forme d'un grand ensemble de contextes, chacun d'entre eux étant une grille distincte (autoencodeur, par exemple).
Ah, vous voulez dire la réalisation du contexte seulement ? J'ai pensé à son IA dans son ensemble, désolé, je n'étais pas attentif.
Voici le discours d'Alexey où il parle de son modèle d'IA (sans les anciens, la philosophie, etc.)
Il s'adresse à la communauté AGI, c'est-à-dire aux personnes qui définissent les tendances en matière d'algorithmes, qui connaissent bien les réseaux, l'apprentissage par renforcement, etc.
Il est très intéressant pour moi de voir, de comprendre et de réaliser à quel point nos approches du marché sont primitives.
L'IA est la capacité d'une machine à construire un SN pour résoudre les problèmes composites qui se présentent :)
Au départ, il faut un algorithme qui décrit les obstacles à franchir avant d'atteindre l'objectif, et l'IA doit les décomposer et construire des réseaux pour les résoudre - la configuration du réseau étant déterminée par elle-même.
À mon avis, ce qui compte le plus, c'est de comprendre les mathématiques financières modernes et le MOI utilisé dans ce domaine. C'est nécessaire, ne serait-ce que parce qu'ils sont utilisés par tous les grands façonneurs de prix.
Conférence sur le sujet sur youtube.
À mon avis, ce qui compte le plus, c'est de comprendre les mathématiques financières modernes et le MOI utilisé dans ce domaine. C'est nécessaire, ne serait-ce que parce qu'ils sont utilisés par tous les grands acteurs de la fixation des prix.
Conférence sur le sujet sur youtube.
Qu'y a-t-il à comprendre des mathématiques financières et du MO, il faut connaître les mécanismes du marché et de ses acteurs
La foule est condamnée à perdre dans la plupart des cas, car son contre-agent est un "acteur majeur".
1) vous devez constater un déséquilibre entre les acheteurs et les vendeurs de détail ; par exemple, s'il y a beaucoup de vendeurs, le "gros joueur" (l'acheteur) se trouve de l'autre côté de la transaction.
Comme maintenant sur le juif, par exemple, beaucoup de vendeurs
2) Il y a aussi le trading en temps réel contre la foule, c'est le market maker.
On constate que le prix évolue toujours à contre-courant de la foule (corrélation inverse).
Tant que la foule achète et croit en la croissance, le prix va baisser et vice versa...
C'est tout le marché...
p.s. Et la vidéo pour sûr
Ainsi, pour chaque prédicteur, une règle comme 0,5<X<7,3 est prise,
Oui, disons-le.
alors nous construisons le nombre de toutes les combinaisons possibles
Non, maintenant nous prenons l'exécution de la règle d'inégalité comme une et nous regardons la valeur moyenne de la cible (disons pour une classification binaire) quand la règle est déclenchée par l'échantillon, si la valeur moyenne initiale, disons, 0,45 dans l'échantillon, et après évaluation seulement par les réponses est devenue 0,51, alors nous considérons que le prédicteur (son tracé/quantique) a un pouvoir prédictif de 0,06, c'est-à-dire 6%.
Nous rassemblons un grand nombre de ces prédicteurs avec des sections, qui sont déjà des prédicteurs binaires indépendants, et nous les utilisons pour construire un modèle.
Combiner tous ces quanta avec tous (avec ou sans pouvoir prédictif) n'est vraiment pas un travail rapide, mais peut ne pas être déraisonnable si cela est fait avec un prédicteur de base sur lequel un quantum avec pouvoir prédictif est identifié.
En général, pour les petits N (cela dépend de la taille de l'échantillon), cela peut fonctionner, mais pour les plus grands, ce serait du surentraînement.
Mais même en théorie, ce surentraînement sera moindre, car il y a moins de combinaisons possibles que dans l'échantillon complet.
Il reste à comprendre pourquoi de telles régularités quantiques peuvent fonctionner pendant 7 ans, puis cesser soudainement de fonctionner...
Des tests pour différents types de tendances dès le départ
R meilleur !!!!
Non, maintenant nous prenons l'exécution de la règle d'inégalité comme une seule et même chose et nous regardons la valeur moyenne de la cible (disons pour une classification binaire) lorsque la règle est déclenchée par l'échantillon, si la valeur moyenne originale est, disons, 0,45 dans l'échantillon, et après évaluation par la seule réponse est 0,51, alors nous considérons que le prédicteur (son tracé/quantique) a un pouvoir prédictif de 0,06, c'est-à-dire 6%.
Il n'y a pas beaucoup de différence (en termes de combinatoire) dans la façon dont cela est codé. Le point est le même - chaque ligne a comme caractéristiques les règles qui sont appliquées et celles qui ne le sont pas. Il s'agit toujours de 2^N variantes, où N est le nombre de règles. Ensuite, chacune de ces règles sera incluse dans l'ensemble final de 2^(2^N) variantes. Il est clair qu'il est impossible d'essayer formellement un si grand nombre de variantes. C'est pourquoi il est logique de les organiser de manière raisonnable. Par exemple, nous prenons d'abord toutes les variantes décrites par une seule règle, puis toutes les variantes décrites par deux règles seulement et ainsi de suite. Ou quelque chose comme ça.
Ce qui reste à comprendre, c'est pourquoi de telles régularités quantiques peuvent fonctionner pendant 7 ans, puis s'arrêter soudainement...
Tôt ou tard, de nombreux autres joueurs les trouveront, par exemple.