L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2832

Nouveau commentaire
 
Aleksey Nikolayev #:

La première chose qui me vient à l'esprit est de diviser l'espace par une grille dont les cellules ne sont ni trop grandes ni trop petites (la taille est déterminée par le modèle de bruit). On commence par une cellule (choisie au hasard, par exemple) - quelques points dans cette cellule déterminent la direction du gradient de la fonction lissée et on passe à la cellule suivante, etc. jusqu'à ce qu'il n'y ait plus de transition ou de boucle. La position de l'extremum est fixée avec précision en fonction de la taille de la cellule, de sorte qu'elle ne doit pas être trop grande, mais en même temps elle doit donner la possibilité d'un lissage, de sorte qu'elle n'est pas trop petite. Nous devons accepter le fait qu'il n'y a pas de position exacte de l'extremum en principe, car elle varie en fonction de la méthode de lissage.

(Cela semble représenter beaucoup de travail).

 

Le coussin entre R et la chaise est tout simplement trop fin.

un autre fantasme non réalisé

 

Pourquoi effacez-vous des messages, paranoïaque ? Pour ne pas vous faire reprendre pour avoir eu des ennuis ? :)

Combien de fois peux-tu te planter comme ça ?

 
Maxim Dmitrievsky #:

Vous avez donc réalisé un gros projet en R et l'avez mis sur le serveur. Et qui va le maintenir ? Personne, parce qu'il n'y a pas de spécialistes dans ce domaine et que personne ne veut apprendre R à cause d'une statistique.

Et pour Python, engagez n'importe quel étudiant pour un bâton de saucisse et tout ira bien.


Qui a besoin d'étudiants avec un bâton de saucisse ?

Ils ont besoin d'étudiants qui connaissent les statistiques, le MOE, ce qui prend 5 ans d' études. Et puis il est toujours souhaitable de travailler dans un organisme spécialisé. Et R ou Python peuvent être enseignés en une semaine, car tous ces étudiants-statisticiens connaissent le C++.

Mais pour les personnes qui n'ont PAS étudié les statistiques pendant 5 ans, R est beaucoup plus utile que Python, car dans R on ne trouve que ce qui est nécessaire, tout est mâché, documenté....., puisqu'il s'agit d'un langage spécialisé après tout.

 
СанСаныч Фоменко #:

Qui a besoin d'étudiants avec un bâton de saucisse ?

Nous avons besoin d'étudiants qui connaissent les statistiques, le MOE, dont les études durent 5 ans. Et puis il est souhaitable de travailler dans un organisme spécialisé. Et R ou Python peuvent être enseignés en une semaine, car tous ces étudiants-statisticiens connaissent le C++.

Mais pour les personnes qui n'ont PAS étudié les statistiques pendant 5 ans, R est beaucoup plus utile que Python, car dans R on ne trouve que ce qui est nécessaire, tout est mâché, documenté....., puisqu'il s'agit d'un langage spécialisé après tout.

Croyez-moi, un étudiant apprendra les statistiques en 5 jours pour un bâton de saucisse, et bien d'autres choses encore.

La principale condition de réussite est que l'étudiant ait faim.

alors que nous parlons de la même chose depuis des mois et des années.

 

Pourquoi même discuter de la justesse de l'optimisation ? Locale, globale - je m'en moque.


La question de Dick est purement théorique et n'a AUCUNE valeur pratique, car même les extrema très correctement trouvés se réfèrent au PASSÉ et avec l'arrivée d'une nouvelle barre, il y aura presque toujours de nouveaux extrema, inconnus de nous. Rappelons-nous le testeur. Il trouve des extrema. Et qu'est-ce que c'est ? Un optimum du testeur n'a aucune valeur s'il n'y a aucune considération sur le fait qu'il vivra dans le futur. Mais la durée de vie d' un optimum n'a RIEN à voir avec la justesse et l'exactitude de la recherche de cet optimum, dont parle Dick.

 
Maxim Dmitrievsky #:

Croyez-moi, un étudiant apprendra les statistiques en 5 jours pour un bâton de saucisse, et bien d'autres choses en cours de route.


Les statistiques sont enseignées pendant 5 ans, et tout le monde ne peut pas être enseigné, ils sont spécialement sélectionnés lors des examens d'entrée.

 
СанСаныч Фоменко #:

Les statistiques sont enseignées pendant 5 ans, et tout le monde ne peut pas être enseigné, ils sont spécialement sélectionnés lors des examens d'entrée.

Si vous omettez les détails et que vous donnez un problème d'application tiré du monde réel, le processus ira plus vite.

La plupart des bêtises dans la formation, c'est quand une personne ne comprend pas pourquoi c'est nécessaire et qu'elle n'a jamais rencontré cela dans sa vie. Elle ne voit pas l'objectif final.

 

Je ne sais pas si j'ai bien compris, mais je ne sais pas si j'ai bien compris, mais je ne sais pas si j'ai bien compris.

Le résultat de l'entraînement du modèle avec ma version est presque le même qu'avec RMSE, donc il y a une erreur quelque part dans le code.

Les preds et target sont return (a[i]-a[i+1])

class Sharpe(object):
    def get_final_error(self, error, weight):
        return error

    def is_max_optimal(self):
        return True

    def evaluate(self, approxes, target, weight):
        assert len(approxes) == 1
        assert len(target) == len(approxes[0])
        preds = np.array(approxes[0])
        target = np.array(target)
        data = [i if i > 0 else -1*i for i in preds]
        sharpe = np.mean(data)/np.std(preds)
        return sharpe, 0

model = CatBoostRegressor(learning_rate=0.1, n_estimators=2000, eval_metric=Sharpe())
 
СанСаныч Фоменко durée de vie d' un optimum n'a RIEN à voir avec la justesse et l'exactitude de la recherche de l'optimum dont parle Dick.

mon nom de famille n'est pas décliné.
la question n'est pas de savoir si l'optimum global changera ou non (il changera nécessairement), mais de savoir s'il peut trouver un extremum global. si vous ne vous en souciez pas, vous pouvez simplement initialiser les poids du réseau avec des nombres aléatoires et c'est tout, car quelle différence cela fait-il qu'il soit global ou non ? local.))
1...282528262827282828292830283128322833283428352836283728382839...3399
Nouveau commentaire