L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3008
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
Il ne nous reste plus qu'à dépasser les objectifs, nous arrivons lentement à RL.
Vous serez trop vieux pour attendre.
tu seras trop vieux pour attendre.
Je n'ai pas beaucoup d'espoir, je ne fais que jeter un coup d'œil de temps en temps. Après tout le gpt, je prédis la stagnation et la stagnation dans ce sujet. Aucune percée n'est visible. Purement un flash hype, comme avec la crypto.
J'ai un point de vue opposé.
Je crois généralement qu'une IA forte a été créée depuis longtemps (mais pas pour nous), et que toute la crypto-industrie (le monde entier) a travaillé à sa formation, sans le savoir.
Je suis d'un avis contraire.
Je crois généralement qu'une IA forte a été créée depuis longtemps (mais pas pour nous), et que l'ensemble de la crypto-industrie (le monde entier) a travaillé à sa formation, sans le savoir.
Pas sage, je n'ai pas besoin d'aide. Le forum est encore plus une distraction qu'un indice. Je ne fais qu'exposer mon expérience en termes généraux. Parfois, je la vends :) celui qui l'entend gagnera du temps en en héritant.
Surpasser les signes est une tactique erronée très inefficace, c'est déjà un axiome pour moi. J'aimerais dire IMHO, mais c'est plutôt un axiome.
Et j'ai besoin d'aide - je pense plus et plus vite que je ne peux le vérifier dans le code.
Vous n'avez pas besoin de chercher des fonctionnalités - vous devez les sélectionner et les configurer correctement.
Et j'ai besoin d'aide - pour en trouver d'autres et plus rapidement que je ne peux les tester dans le code.
Vous n'avez pas besoin d'une surabondance de fonctionnalités - vous devez les sélectionner et les mettre en place correctement.
La question logique est donc : sur quelle technologie. Si c'est sur Transformers, ce n'est pas du tout de l'IA et ça n'en sera jamais.
Qui peut le dire ?
Mais la technogolie doit être si mauvaise que l'on a besoin de la puissance de calcul du monde entier, des téléphones portables à une ferme de crypto-monnaies connectée à une centrale électrique...
Mais il n'y a pas de meilleure technologie à ce stade.
Cela me semble simple et trivial.
1. J'ai moi-même travaillé et travaillé : il y a un professeur et il faut capter/traiter les signes.
2. Comme le dit mytarmailS, on peut se fixer la tâche inverse : il y a des signes et il faut leur associer un enseignant. Il y a là quelque chose que je n'aime pas. Je n'essaie pas de suivre cette voie.
En réalité, les deux méthodes sont identiques : l'erreur de classification sur la paire enseignant-trait disponible ne doit pas dépasser 20 % hors échantillon. Mais le plus important est qu'il existe une preuve théorique que le pouvoir prédictif des caractéristiques disponibles ne change pas, ou peu, dans le futur. C'est l'élément le plus important dans tous les cas de "steamrolling".
Je note que mon raisonnement n'inclut pas la sélection du modèle. Je pense que le modèle joue un rôle extrêmement mineur, car il n'a rien à voir avec la stabilité de la capacité prédictive des caractéristiques : la stabilité de la capacité prédictive est une propriété de la paire enseignant-trait.
1. Quelqu'un d'autre a-t-il une paire enseignant-trait avec moins de 20% d'erreur de classification ?
2. Quelqu'un d'autre a-t-il des preuves réelles d'une variabilité de la capacité prédictive pour les caractéristiques utilisées inférieure à 20 % ?
Quelqu'un d'autre ? Il y a alors matière à discussion
Non ? Tout le reste n'est que bla-bla.
Cela me semble simple et trivial.
1. J'ai moi-même travaillé et travaillé : il y a un enseignant et il faut capter/traiter les signes.
2. Comme le dit mytarmailS, il est possible de se fixer la tâche inverse : il y a des attributs et il faut leur associer un enseignant. Il y a là quelque chose que je n'aime pas. Je n'essaie pas d'aller dans cette direction.
En réalité, les deux méthodes sont identiques : l'erreur de classification sur la paire enseignant-trait disponible ne doit pas dépasser 20 % hors échantillon. Mais surtout, il doit y avoir une preuve théorique que le pouvoir prédictif des caractéristiques disponibles ne change pas, ou peu, dans le futur. C'est l'élément le plus important dans tous les cas de "steamrolling".
Je note que mon raisonnement n'inclut pas la sélection du modèle. Je pense que le modèle joue un rôle extrêmement mineur, puisqu'il n'a rien à voir avec la stabilité de la capacité prédictive des traits : la stabilité de la capacité prédictive est une propriété de la paire enseignant-trait.
1. Quelqu'un d'autre a-t-il une paire enseignant-trait avec moins de 20 % d'erreur de classification ?
2. Quelqu'un a-t-il des preuves réelles de la variabilité de la capacité prédictive pour les caractéristiques utilisées, inférieure à 20 % ?
Quelqu'un en a-t-il ? Il y a alors matière à discussion
Non ? Tout le reste c'est du bla bla bla.