L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2846
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
D'après la description, on peut comprendre que l'on sélectionne d'abord une partie des meilleurs passages selon un critère, puis, parmi les passages sélectionnés, une partie des meilleurs passages selon le deuxième critère, et ainsi de suite.
"Il permet de sélectionner les meilleurs passages étape par étape : d'abord par le nombre de trades, puis à partir de cet échantillon par l'espérance de rentabilité, puis par le facteur de récupération, et ainsi de suite."
D'après la description, on peut comprendre que l'on sélectionne d'abord une partie des meilleurs passages selon un critère, puis, parmi les passages sélectionnés, une partie des meilleurs passages selon le deuxième critère, et ainsi de suite.
"Il permet de sélectionner les meilleurs passages étape par étape : d'abord par le nombre de transactions, puis à partir de cet échantillon par l'espérance mat. de rentabilité, puis par le facteur de récupération et ainsi de suite."
Je n'ai pas vu immédiatement de différence ou d'avantage
Une nouvelle façon de générer des données tabulaires. Quelle est sa supériorité ? Ou est-ce que le GMM est toujours hors compétition ?
https://github.com/kathrinse/be_great
Une nouvelle façon de générer des données tabulaires. Quelle est sa supériorité ? Ou le GMM reste-t-il en tête de la compétition ?
https://github.com/kathrinse/be_great
⚙️ Time-series Transformer Generative Adversarial Networks (en anglais)
Github : https://github.com/jsyoon0823/TimeGAN
Article : https://arxiv.org/abs/2205.11164v1
Données sur lesactions : https://finance.yahoo.com/quote/GOOG/history
Données énergétiques : http://archive.ics.uci.edu/ml/datasets/Appliances+energy+prediction
@ai_machinelearning_big_data
Un peu de T-gan serait sans doute préférable
Et comment vérifier la plausibilité ? Comparer les distributions des données réelles et synthétiques séparément pour chaque série ?
Comment vérifier la vraisemblance ? En comparant les distributions des données réelles et synthétiques séparément pour chaque série ?
Comment vérifier la vraisemblance ? Comparez les distributions des données réelles et synthétiques séparément pour chaque série ?
https://hackernoon.com/a-gan-approach-to-synthetic-time-series-data-pe2r33fd
Quels prédicteurs peut-on inventer pour les histogrammes ?
Je les ai joints sous forme de fichiers, car les images ne veulent pas être insérées - probablement un autre bogue.
Quels prédicteurs peut-on trouver pour les histogrammes ?
)))))))
Vous pouvez visualiser n'importe quelle forme avec des points. La visualisation est nécessaire pour stimuler la pensée abstraite, qui stimule la génération d'idées.
En effet, dans l'histogramme se trouve un prédicteur binaire de l'échantillon, les barres rouges signifient que le signal a disparu (zéro), et leur hauteur indique combien de temps il n'y a pas eu de signal "1" dans l'échantillon.
Je suppose que le caractère différent de la distribution de fréquence de l'occurrence du signal dans l'échantillon peut servir à classer l'utilisation ultérieure de ce prédicteur dans la formation. En conséquence, le prédicteur peut être exclu ou son utilisation recommandée uniquement pour la construction des divisions radiculaires supérieures.
C'est pourquoi les prédicteurs sont nécessaires pour décrire les histogrammes. Oui, nous pouvons également créer des prédicteurs pour l'équilibre TP+FP - les idées pour sa description sont également intéressantes, à l'exception des plus connues.