L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2875

 
Aleksey Nikolayev #:

Je suis intéressé par le sujet des algorithmes avec un nombre arbitraire de caractéristiques. Je connais les réseaux récurrents - j'aimerais la même chose, mais sans mailles.

- Je suis intéressé par le sujet des algorithmes avec un nombre arbitraire de caractéristiques. Je connais les réseaux récurrents - j'aimerais la même chose, mais sans les mailles.

*Vous pouvez utiliser des algorithmes d'apprentissage automatique tels que la régression linéaire, la régression logistique ou l'arbre de décision, qui peuvent traiter un nombre arbitraire de caractéristiques. Ils nécessitent moins de calculs que les réseaux récurrents et sont généralement plus rapides.

Toutefois, les réseaux récurrents peuvent être efficaces lorsque vous devez traiter des séquences de données telles que du texte, des messages vocaux ou des données de mouvement. Les réseaux récurrents peuvent se souvenir du contexte des étapes précédentes et l'utiliser pour prédire l'étape suivante. Cela peut être utile, par exemple, lors de l'analyse de textes, où les mots peuvent avoir des significations différentes en fonction du contexte.


- Il s'agit de construire des fonctions récursives qui peuvent dépendre d'un nombre arbitraire d'arguments, mais qui sont définies par des fonctions ordinaires à partir d'un nombre fixe d'arguments. L'exemple le plus simple est la moyenne exponentielle.


*Vous avez correctement décrit les fonctions récursives qui sont définies par elles-mêmes. Elles peuvent dépendre d'un nombre quelconque d'arguments, mais généralement d'un nombre fixe d'arguments.

Vous avez donné l'exemple d'une moyenne exponentielle, qui est une fonction récursive définie comme suit :

EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n

Où EMAvolume(t) est la moyenne exponentielle du volume des transactions à la t-ième étape, volume(t) est le volume des transactions à la t-ième étape, n est une constante qui prend en compte les poids des étapes précédentes.

Les fonctions de récurrence peuvent être utiles pour modéliser des séquences de données et sont utilisées dans divers domaines tels que la finance, la biologie et l'informatique.


- Les réseaux de récurrence peuvent ressembler à ceci, mais j'aimerais en avoir un sans mailles.


*Si vous souhaitez travailler avec des fonctions récurrentes sans utiliser de réseaux de récurrence, vous pouvez utiliser des algorithmes d'apprentissage automatique tels que la régression linéaire, la régression logistique ou les arbres de décision qui peuvent travailler avec des séquences de données. Ils peuvent utiliser les fonctions récurrentes comme caractéristiques et prédire les résultats en fonction d'un ensemble de caractéristiques.

Toutefois, ces algorithmes peuvent être moins efficaces que les réseaux récurrents lorsqu'un grand nombre de séquences de données doivent être traitées, car les réseaux récurrents disposent de certaines capacités de traitement efficace des séquences que les autres algorithmes n'ont pas.

Procédure

Dans certains cas, les réseaux récurrents peuvent être difficiles à former et présenter une complexité de calcul élevée, car ils nécessitent un grand nombre de calculs pour traiter les séquences. Dans ce cas, il peut être judicieux d'utiliser des algorithmes d'apprentissage automatique tels que la régression linéaire, la régression logistique ou les arbres de décision, qui nécessitent moins de calculs et s'exécutent plus rapidement.

Toutefois, si vous travaillez avec des séquences de données qui nécessitent un contexte issu des étapes précédentes, les réseaux récurrents peuvent constituer une meilleure solution que d'autres algorithmes d'apprentissage automatique. Dans ce cas, il convient d'examiner toutes les options disponibles et de choisir n


- Idéalement, l'algorithme devrait recevoir en entrée tout l'historique disponible, qui s'enrichit évidemment au fil du temps. Il doit décider des morceaux à découper et de ce qu'il faut en faire.


*Oui, dans l'idéal, l'algorithme devrait être capable de travailler avec un nombre arbitraire de caractéristiques et de déterminer lui-même celles qui sont les plus importantes pour la prédiction. Toutefois, cela peut s'avérer difficile pour certains algorithmes d'apprentissage automatique qui nécessitent un partitionnement manuel des caractéristiques ou un nombre fixe de caractéristiques. L'un des algorithmes capables de gérer un nombre arbitraire de caractéristiques est le gradient bousting. Cet algorithme utilise une composition de petits arbres de décision, chacun ne prenant en compte qu'un petit nombre de caractéristiques, et les accumule en une somme pour produire l'algorithme final. Cet algorithme peut déterminer de manière indépendante les caractéristiques les plus importantes à prédire.

Il est également possible d'utiliser des réseaux neuronaux avec des couches entièrement connectées, qui peuvent également traiter un nombre arbitraire de caractéristiques. Toutefois, ces réseaux peuvent être moins efficaces lorsqu'ils traitent des séquences de données, car ils ne prennent pas en compte les dépendances entre les étapes.

 
Il faudrait probablement plus de détails pour obtenir une réponse spécifique, si elle existe dans la nature.)
 
C'est de la folie, apprenez à un fou à prier, il se fendra le front... Donnez à Maxim un gpt3 he....
 
mytarmailS #:
C'est fou, apprenez à un fou à prier, il se cassera le front. Donnez à Maxim un gpt3 he....

Je vous suggère de baisser un peu votre visière.

Nous explorons les possibilités de l'algorithme.
 
mytarmailS #:

La question est de savoir si l'on peut, par le biais de requêtes, réintroduire le profil et obtenir un nouveau jeton.

Hélas, pas avec l'autorisation.

 
Alexander Ivanov #:
Cela suffit

de plus, ils donnent à peu près les mêmes résultats, mais le bousting est plus rapide et plus souple.

Cela a été dit 100 fois
 
Maxim Dmitrievsky #:

*Vous pouvez

Il faut attendre l'apparition de GPT4 pour extraire le sens de ce texte. J'ai échoué)

Je ne comprends pas comment la régression logistique peut fonctionner avec un nombre différent de caractéristiques.

 
Aleksey Nikolayev #:

Il faut attendre l'apparition du GPT4 pour tirer un sens de ce texte. Je n'ai pas compris)

Je ne vois pas comment la régression logistique peut fonctionner avec un nombre différent de caractéristiques.

Essayez d'être précis, je vous demanderai
Apparemment, il n'existe pas de tels algorithmes et il ne peut rien trouver d'autre.
 
Maxim Dmitrievsky #:
Essayez d'être précis, je vous demanderai

Demandez un exemple simple d'utilisation de la régression logistique dans une tâche de classification avec un nombre variable de caractéristiques.

 
Aleksey Nikolayev #:

Vous pourriez peut-être demander un exemple simple d'utilisation de la régression logistique dans une tâche de classification avec un nombre variable de caractéristiques ?

J'essaierai un peu plus tard. Si vous avez d'autres variantes de questions, posez-les :)