L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2261
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
Les modèles complexes sont un avantage énorme, mais il faut quelques années de vie pour y arriver, qui ont déjà été dépensées avec succès
La biodiversité, c'est tout.
La biodiversité est notre tout.
Un exemple simple. Des milliers d'exécutions avec différents paramètres VS une formation, y compris l'ensemble de l'espace des traits. Ensuite, même visualisation et analyse, en éliminant le superflu.
Eh bien, c'est tout... comme il le souhaite.Je doute qu'un MO soit capable de réingénier un tel TS : il examine les domaines les plus similaires à l'actuel dans le passé. Et s'il y a une prépondérance statistique d'un mouvement supplémentaire dans une certaine direction, c'est là que nous donnons le signal.
Si auparavant, pour des raisons de simplicité, la recherche de segments similaires est effectuée non pas sur la série de prix, mais sur une série de prix transformée, par exemple les zigzags ou les barres sont remplacés par la logique binaire : up(0)/down(1). La tâche de réingénierie de la MO devient alors assez complexe.
Je l'ai raté... c'est intéressant d'essayer ce genre de chose sur des exemples de métiers.
il y a 2 points.
Il se peut même que le MO déchire votre TS sur vos propres données.
Mais je ne suis pas prêt à jouer avec les tics avant d'avoir amélioré mon ordinateur portable.
Il se peut même que le ministère de la Défense déchire votre CT sur vos propres données.
Je n'en doute pas. Mais le MO ne reproduira pas le CT en se basant sur la découverte de situations similaires dans le passé.
Je n'en doute pas. Mais le MO ne reproduira pas le CT en se basant sur la découverte de situations similaires dans le passé.
Pourquoi est-il si unique ? Si vous vous entraînez sur l'historique, la MO tirera les mêmes dépendances des autres traits.
Vous avez trouvé des chats et des chiens par une sorte d'oubli, mais ils ont d'autres traits. Par exemple, les chats ont de longues moustaches
Ils apprendront à reconnaître par leurs moustaches et non par leurs oreilles... ce qui va changer
Eh bien, c'est une chose individuelle. Théoriquement, il n'y a pas de problème.
Ah bon, voici l'exemple de boxplot de l'article. J'ai trouvé des modèles statistiques comme dans le cas que vous décrivez. Ensuite, j'ai entraîné NS sur des signes aléatoires pour trader des modèles saisonniers et il a fait mieux. Ceci est pour la compréhension.
qu'est-ce qui le rend si unique ?
Il n'y aura pas de caractérisation comparative des similitudes en MO. Il n'y a tout simplement pas de données pour s'entraîner à ce genre de choses si l'on ne sait pas à l'avance sur quoi le TS est basé.
peut ne pas fonctionner. Mais lorsque les données sont déjà préparées, c'est-à-dire qu'il y a un modèle, alors dans un certain espace de Hilbert, les points des classes (par exemple pour l'achat et la vente) sont bien séparables, il ne peut en être autrement. Le MO reprendra (essaiera de) ces caractéristiques pour les faire correspondre. Il y a là une certaine magie, car il n'est pas tant important de connaître les bons attributs que de baliser correctement les données, de distinguer les chats des chiens.
Vous pouvez vérifier s'il existe des accords avec leur calendrier.
Vous pouvez vérifier s'il existe des accords avec leur calendrier.
L'exemple était hypothétique.
L'exemple était hypothétique.
Hypothétiquement, il n'y a pas de problème. La "similitude" sera extraite par d'autres caractéristiques parce que la série chronologique est la même. En pratique, il peut y avoir des difficultés, par exemple la courbure de la main).
Vous avez un ensemble de modèles proches qui se généralisent bien. Vous avez généralisé par corrélation, le modèle généralisera par une fenêtre glissante sur l'histoire. Les entités similaires seront regroupées et étiquetées acheter/vendre/pas échanger.
Des clusters similaires au sein du modèle ressembleront à ceci, mais dans un espace multidimensionnel. Chaque cluster a sa propre étiquette d'achat/vente. C'est une tâche très simple. C'est juste une généralisation.
S'il y a des experts en modèles génératifs, nous pouvons essayer l'option consistant à secouer la matrice de covariance du modèle GMM. C'est-à-dire ne pas changer la moyenne et la variance de la série, mais changer la matrice de covariance GMM. Le résultat devrait être un grand nombre d'exemples avec différentes propriétés.
Qu'est-ce que tu veux dire ?
il suffit de secouer la matrice cov. pour qu'elle soit aléatoire ....
Vous devez connaître l'objectif - à quoi sert le tremblement, quel doit être le montage final ?