L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2249
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
Comment peut-on mesurer la prévisibilité d'une série ou la statynarité sans supprimer la tendance ?
Quelle est la mesure de la stabilité des séries ?
La présence de stationnarité (décrite par le même modèle mathématique, ou si on décompose, par la constance des fréquences et des amplitudes dans l'ensemble du tracé). C'est-à-dire que la section courte doit être décrite de la même manière que la longue, ou la description des différentes sections courtes tout au long de la longue est la même.
Des filtres et des porteuses. Si la fréquence du bruit est proportionnelle à la porteuse, ce n'est pas terrible, mais si elle est informative, c'est pire. Et bien sûr, l'amplitude du bruit doit être plus faible.
La stabilité des séries au sein d'un même modèle de mat est facile à comprendre. Mais lorsque les modèles changent périodiquement, le taux d'établissement d'une zone stable, ou la longueur de la zone où les modèles changent, la longueur des zones stables, la constance des caractéristiques de fréquence et d'amplitude. Il s'agit d'un concept complexe.
La présence d'une situation stationnaire (décrite par un modèle mathématique unique, ou ..................).
Je ne sais pas comment l'implémenter.... peut-être existe-t-il un type plus simple...
Je veux créer un réseau qui vise à prendre les cotations du marché en entrée et à produire une série plus "prévisible".
Mais j'ai besoin d'une mesure de "prévisibilité".
Je ne sais pas comment l'implémenter.... peut-être y a-t-il un moyen plus simple...
Je veux créer un réseau qui prend les cotations du marché comme entrées et produit une série plus "prévisible".
Mais j'ai besoin d'une mesure de "prévisibilité".
Je ne sais pas comment l'implémenter.... peut-être y a-t-il un moyen plus simple...
Je veux créer un réseau qui prend les cotations du marché comme entrées et produit une série plus "prévisible".
Mais j'ai besoin d'une mesure de "prévisibilité".
Je ne sais pas encore comment définir précisément le début de la stationnarité, car il est défini sur l'historique. Comme MA.
Il n'y a pas de mesure de la prévisibilité sur une série non stationnaire, elle ne peut l'être que sur des sections stationnaires. Si la chaîne se contente au moins de définir ces intrigues sur l'histoire pour commencer, c'est une bonne chose.
.
En option. La mesure de la prévisibilité ne peut être mesurée par une seule valeur)
Jusqu'à présent, la science ne sait pas comment localiser le début de la stationnarité, car elle est définie sur l'histoire. Comme MA.
Il n'y a pas de mesure de la prévisibilité sur une série non stationnaire, elle ne peut l'être que sur des graphiques stationnaires. Si la chaîne se contente au moins de définir ces intrigues sur l'histoire pour commencer, déjà bien.
Vous ne comprenez pas. Je ne vais pas prédire quoi que ce soit, je vais forcer le réseau à générer une nouvelle série stationnaire...
Je suis d'accord pour définir l'histoire tant qu'elle fonctionne...
C'estce que je cherche.
Tu ne comprends pas... Je ne vais pas prédire quoi que ce soit, je vais forcer le réseau à générer une nouvelle série stationnaire...
J'aime la définition de l'histoire, tant qu'elle fonctionne.
C'estce que je cherche.
L'entropie est également une option. C'est un concept compliqué pour moi. C'est comme la stabilité de l'équité. Il ne peut pas non plus être décrit par un seul paramètre.
Oui, vous avez raison, si le vecteur de caractéristiques est converti en matrice et transmis à la convolution, il n'y aura pas beaucoup de changement( déjà vérifié :))) Dans mon cas, l'idée est d'utiliser au maximum la propriété du réseau de convolution de rechercher et d'utiliser des modèles locaux. Ces motifs sont invariants par rapport au transfert, c'est-à-dire que la convolution multicouche peut retrouver le même motif à différents endroits de l'image. De même, l'architecture avec réduction agressive intermédiaire des cartes de caractéristiques permet de former une hiérarchie entre les modèles sur les différentes couches de convolution. J'essaie donc de trouver une interprétation graphique d'une citation qui permette à la convolution de trouver ces modèles.
Pour nos besoins, convLSTM est plus susceptible de convenir. C'est-à-dire une convolution prenant en compte les paramètres spatiaux et temporels. Vous pouvez voir des exemples ici et ici. Je vais l'essayer en torche la semaine prochaine et voir comment ça marche. Il existe une implémentation dans PyTorch
Bonne chance
A propos de tsos, ns, erreurs du 1er, 2ème type.
J'ai lu jusqu'à la moitié et je me suis arrêté ici en gloussant.
des nombres aléatoires. Un réseau neuronal utilisant ces poids peut avoir la relation entrée-sortie correcte, mais la raison pour laquelle ces poids pratiques fonctionnent reste un mystère. Cette propriété mystique des réseaux neuronaux est la raison pour laquelle de nombreux scientifiques et ingénieurs les évitent. Pensez à toutes les fictions scientifiques propagées par les renégats de l'informatique.
Je pense que l'auteur est très loin de la NS, encore plus loin que moi))