L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2741
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
Ainsi, je vous ai demandé de faire un script - oui, je cite " Pouvez-vous faire un script en R pour les calculs de mon échantillon - je l'exécuterai pour le bien de l'expérience. L'expérience devrait révéler la taille optimale de l'échantillon. "mais c'est en réponse à quelque chose qui a déjà été fait.
Plus tôt, j'ai écrit "... Et comment proposez-vous d'observer la dynamique, comment la réaliser ? "Ici, je posais une question sur la mise en œuvre de l'estimation du prédicteur dans la dynamique, c'est-à-dire l'estimation régulière par une fenêtre, et il n'est pas clair s'il s'agit d'une fenêtre à chaque nouvel échantillon ou après chaque n échantillons. Si vous l'avez fait, je n'ai pas compris.
Le code que vous avez posté est excellent, mais il m'est difficile de comprendre ce qu'il fait exactement ou ce qu'il prouve en substance, c'est pourquoi j'ai commencé à poser des questions supplémentaires. Que signifient les deux images avec les graphiques ?
Dans une fenêtre coulissante, réentraîner le modèle et examiner l'importance des caractéristiques, ou simplement prendre un bon identifiant de caractéristique et l'examiner dans la fenêtre coulissante. Window.
...
Différents sélecteurs de caractéristiques pour tous les goûts, probablement 5 % de ce qui est disponible dans R-ka.
taille de fenêtre flottante pour obtenir des estimations efficaces, pas seulement flottante par pas ou constante, - c'est le problème - à chaque itération pour ajuster la taille de la fenêtre seulement - le modèle prendra beaucoup de temps pour apprendre ... et le recyclage manuel périodique est lui-même une fenêtre glissante ! -- Vous le ferez de toute façon périodiquement (en allant au-delà de l'acceptable st.dev) - si vous avez votre propre programme de recyclage, vous pouvez aussi l'automatiser. MAIS, je le répète, la taille de la fenêtre est également variable.
...
différent ? - l'algorithme se résume toujours à la cartographie des caractéristiques ( !), quel que soit le nom qu'on lui donne, ... juste ses propres nuances et son propre champ d'application.
même si tout le monde ne veut pas l'appeler corrélation
Je m'appuie sur la notion de corrélation prédicteur-enseignant. Le "lien" n'est PAS la corrélation ou l'"importance" des prédicteurs dans l'ajustement de presque n'importe quel modèle MOE.
lien caret - même formation à la classification et à la régression - en tant que MO trivial, même sklearn pour Python.
C'est juste que le MOE a été créé non seulement pour construire des modèles probabilistes (basés sur des distributions de probabilités existantes), mais aussi pour des modèles déterminants et dynamiques... mais la base de toute généralisation des probabilités sera toujours ( !) la statistique (avec ses corrélations), quel que soit le nom qu'on lui donne... Sinon, vous obtiendrez des estimations biaisées ( !) - c'est-à-dire que votre modèle modélisera quelque chose d'autre (au hasard), et non votre cible.
Que devons-nous faire pour cesser de nous battre et nous unir dans un seul but ????????
excellente question !
---
nous devons reconnaître s'il y a plus d'acheteurs ou de vendeurs.
Mais le seul problème, c'est que si le prix baisse, il y aura plus d'acheteurs, c'est garanti !
lien caret - même formation à la classification et à la régression - en tant que MO trivial, même sklearn pour Python.
Lisez plus attentivement, et vous n'aurez pas besoin d'inventer des choses.
Le script calcule l'importance des prédicteurs dans une fenêtre coulissante en utilisant deux algorithmes différents, le premier et l'autre... Comme vous l'avez demandé.
Forrest donne la fréquence d'utilisation des prédicteurs dans un algorithme particulier, il donne donc facilement une grande importance aux prédicteurs qui ne sont PAS liés à la cible.
Lisez plus attentivement et n'inventez rien.
On ne peut pas lire plus attentivement si caret s'écrit comme ça.
Forrest donne la fréquence d'utilisation des prédicteurs dans un algorithme particulier, de sorte qu'il est facile d'accorder une grande importance à des prédicteurs qui ne sont PAS liés à la cible.
Je le répète : il existe des dizaines de sélecteurs de fiches prêts à l'emploi, et tout le monde cherche un lien avec la cible, tout a déjà été inventé avant nous, il y a longtemps.
Je crois avoir vu quelques indications sur l'application de l'analyse de survie. Y a-t-il quelque chose d'intéressant dans cette direction ? J'ai quelques idées concernant le remplacement du temps de rupture par la valeur du mouvement maximal du prix dans la direction souhaitée au cours d'une transaction avant que le stop ne soit déclenché. L'idée de base est de rechercher les écarts par rapport à ce que devrait être le comportement en cas d'errance aléatoire. Dans ce domaine, d'ailleurs, l'application de matstat (régression de Cox, par exemple) et de MO est également très développée.
... la taille de la fenêtre est également une taille de fenêtre flottante
Le ML est confronté à des défis distincts dans le contexte du RL où les données sont générées par l'interaction du modèle avec l'environnement à l'aide d'une politique (éventuellement aléatoire).
c'est-à-dire qu'il faut d'abord modéliser l'environnement actuel, puis les fs qui s'y trouvent et le comportement correspondant, c'est-à-dire que l'acteur doit avoir un état - c'est la base pour passer à une nouvelle fenêtre (c'est-à-dire prendre en compte la taille de la fenêtre flottante) et donc à une nouvelle politique d'environnement et au comportement correspondant/nouveau de l'acteur dans cet environnement... en général, le Deep Reinforcement Learning est probablement plus approprié, dans lequel
Par exemple, il y a la théorie des jeux (interaction de l'acteur avec l'environnement) et la théorie de l'information (tangence de l'information avec les réponses de l'acteur et les réactions de l'environnement, c'est-à-dire la formation de nouvelles conditions environnementales, appelées conséquences)... - Je n'ai d'ailleurs pas compris ce que SanSanych Fomenko entendait par le terme " théorie de l'information "... ou bien sa thèse est-elle à nouveau mal interprétée?
p.s. Je n'ai pas testé l'exemple moi-même....
Je ne peux pas être plus prudent si caret est vraiment ce qu'il signifie.
Il est dit classDist {caret}, c'est-à-dire qu'il spécifie une fonction particulière qui fait partie du PACKAGE caret.
Si j'ai bien compris, vous ne connaissez pas R. Dans ce cas, pourquoi perdez-vous votre temps sur ce fil de discussion, et sur MO en général ?
Sans la maîtrise de R, la discussion sur la MO n'a pas de sens.