L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3305
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 n'y a pas si longtemps, sur le forum, quelqu'un a donné le nom de l'effet (je ne l'ai pas encore trouvé), à cause duquel les séries proches de SB semblent avoir une période. Cet effet est associé à de nombreux moments honteux dans la science, lorsque, au moyen de Fourier, on a "trouvé" la périodicité dans les processus, et les radioamateurs ne survivront jamais à cet effet sur le forum).
Invariance d'échelle ?
Effet moiré :)
L'invariance d'échelle, semble-t-il, peut être décrite de cette manière, et ne sera pas le sujet de recherche des radioamateurs. Seulement sans Fourier, mais des périodes de marché comme l'heure et le jour, qui décrivent des activités différentes.
Invariance d'échelle ?
Effet moiré :)
Un bon document sur la manière de réaliser correctement la représentation BP pour les réseaux neuronaux. Les FFT peuvent être supprimées, bien sûr. Et une comparaison plus poussée des différents modèles.
La différence fondamentale est que le prétraitement est intégré dans l'architecture du réseau. Mais il peut être effectué séparément.
La LSTM fume en arrière-plan, parce qu'elle ne prend pas en compte les variations inter-périodes.
Le boosting se trouve également en bas du classement, sur la base de leurs tests.On pense que le nombre écrasant d'applications de la MO, quel que soit l'outil, se situe dans des domaines où il existe une relation "naturelle" entre l'enseignant et les prédicteurs. Par exemple, les prévisions météorologiques : température, humidité...
Nous, en revanche, sommes assis ici et, en nous pinçant le nez, nous trouvons des prédicteurs qui sont le fruit de notre imagination et, pour une raison ou une autre, nous voulons qu'ils prédisent les ordres de bourse.
Par conséquent, toutes les publications contenant des prédicteurs "naturels" ne nous intéressent pas. Malheureusement.
Comment prouver le contraire?
À mon avis, il y a des événements liés au temps - les mêmes nouvelles. Je pense que si nous divisons en trois sous-échantillons - attendu, pire, meilleur - et que nous prenons en compte le contexte, nous remarquerons un comportement similaire des acteurs du marché.
Une autre option est la saisonnalité des marchandises.
Qu'est-ce que c'est exactement ?
On pense que le nombre écrasant d'applications de la MO, quel que soit l'outil, se situe dans des domaines où il existe une relation "naturelle" entre l'enseignant et les prédicteurs. Par exemple, les prévisions météorologiques : température, humidité ...
Nous sommes ici en train de nous creuser le nez et d'inventer des prédicteurs qui sont le fruit de notre imagination et, pour une raison ou pour une autre, nous voulons qu'ils prédisent les ordres de bourse.
Par conséquent, toute publication portant sur des prédicteurs "naturels" ne présente aucun intérêt pour nous. Malheureusement.
Il s'agit simplement d'un aspect de l'alimentation du modèle avec des traits, ce qui semble logique. Ce que l'on en fait ensuite est bien sûr une question ésotérique.
Par exemple, cette approche permet d'inclure plus d'histoires dans un seul échantillonNon) Slutsky-Yula, j'ai trouvé le poste. Je pense que d'autres effets similaires ont été trouvés, mais je ne me souviens pas exactement. Au moins, il est maintenant admis qu'il faut faire attention à la périodicité apparente, même si, bien sûr, les radioamateurs locaux ne se soucient pas de tout cela.)
Pourquoi pas ?
Il existe des processus économiques avec une périodicité apparente, non spéculative. La récolte, par exemple. Et il y a beaucoup de processus de ce type. Il existe des modèles dont la périodicité est l'un des paramètres.
Une autre chose est qu'il faut séparer la périodicité existant dans la réalité de la périodicité aspirée à l'aide d'un certain Fourier, qui a fait florès au Forex. Il y a une dizaine d'années, les ingénieurs radio ne manquaient pas. Un très grand nombre de personnes ne comprennent pas qu'une propriété très importante de tout modèle mathématique devrait être son interprétabilité, la possibilité de comparer ces paramètres et propriétés du modèle à la réalité. Et lorsque, voyant des vagues évidentes sur des graphiques à périodicité variable, nous commençons à inventer des demandes-suggestions dont on ne connaît pas l'origine, le résultat est correspondant.
Ce n'est qu'un aspect de l'alimentation du modèle en signes, qui semble logique. Ce que l'on en fait ensuite est bien sûr une question ésotérique.
Par exemple, cette approche permet d'inclure plus d'informations dans un seul échantillonChez nous, les déchets qui entrent sont des déchets qui sortent, et la plupart des gens n'ont PAS de déchets à l'intérieur.
Chez nous, les ordures entrent et sortent, et la plupart des gens n'ont PAS de sortie pour les ordures.
Il faut donc un algorithme qui creuse dans les déchets.
On pourrait appeler cette série d'articles "From Dirt to Dukes".
Il semble courant et intuitivement évident qu'un apprentissage plus attentif entraîne un passage de la généralisation à la mémorisation d'un échantillon particulier.
Pour ma part, je l'explique par le fait que si l'on utilise des modèles avec un nombre croissant de paramètres (arbre de décision, par exemple), un plus grand nombre d'itérations conduit simplement à une augmentation du nombre de paramètres. Avec des modèles à nombre fixe de paramètres, c'est plus compliqué, mais on peut probablement dire qu'avec un nombre croissant d'itérations, l'espace des paramètres est "utilisé davantage".
En d'autres termes, le nombre d'options possibles augmente et il est plus facile de choisir ce dont on a besoin. Par exemple, la variante la plus traçable de SB parmi 1000 variantes sera plus à la mode que parmi 100 variantes.
PS. Il s'agit de ceci