L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2354
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 est préférable de comparer les bénéfices. Pas une erreur d'inclinaison.
Pas mieux du tout, je ne vois pas d'avantage à regarder le profit, mais je vois beaucoup d'inconvénients....
Je vous ai donné le code, mais il n'y a personne pour l'essayer, c'est évidemment plus facile d'écrire des posts...
En fait, c'est presque la même chose que de construire une ligne de tendance puis de la supprimer de la série originale. Oui, un tel résidu est plus facile à prévoir, mais tout revient à prévoir la tendance. Pour prévoir la tendance, nous devons savoir au moins approximativement où le prix va aller dans le futur. Mais si on le sait, on n'a pas besoin d'un accordéon, je veux dire de toutes les étapes précédentes.
Comment pouvez-vous confondre détrition et normalisation ?
Idéologiquement, il est le plus proche de la conversion Box-Cox.
Pas mieux du tout, je ne vois aucun avantage à surveiller les bénéfices, mais je vois beaucoup d'inconvénients ...
Je vous ai donné le code, mais il n'y a personne pour l'essayer, c'est plus facile d'écrire des billets...
Comment pouvez-vous confondre détrition et normalisation, c'est tout faux dans ma tête...
Idéologiquement, il est le plus proche de la conversion Box-Cox.
Normalisations/Detrenders/Smoothers/COS suppriment la dernière chose qui était dans le prix (alpha)
Ici je pense être d'accord - pour trouver un alpha, imho il faut apprendre à prédire le lointain 🙂 🙂 Cela va à l'encontre de l'entraînement classique des réseaux neuronaux, qui aiment entraîner des données homogènes.
Cela va à l'encontre de la formation classique de données pour les réseaux neuronaux, qui aiment apprendre à partir de données homogènes.
Cela va à l'encontre de la préparation classique des données pour les réseaux neuronaux, qui aiment apprendre à partir de données homogènes.
bla - bla - bla - bla - bla - bla
Pourquoi faire quelque chose quand on peut juste en parler...
Quelqu'un a-t-il compris ce qu'est la différenciation fractionnelle ?
A https://dou.ua/lenta/articles/ml-vs-financial-math/ il l'a obtenu du Prado.
Il écrit que"la différenciation des séries temporelles que nous connaissons supprime toute mémoire de l'évolution des prix" - apparemment, si l'on prend la différence avec la barre précédente pour chaque barre.
La plupart d'entre eux utilisent la différence de la 0ème barre sur ce forum.
1) Qu'est-ce que la différenciation fractionnée ? Des coefficients de 0,1-0,5 sont recommandés.
Une différence inférieure à 1 bar ne peut être prise en compte. Peut-être que c'est une différence de 2, 5 ... 10 ... 20 mesures de la prochaine mesure ?
2) En quoi est-ce mieux que la différence 0-bar ?Quelqu'un a-t-il compris ce qu'est la différenciation fractionnelle ?
A https://dou.ua/lenta/articles/ml-vs-financial-math/ il l'a obtenu du Prado.
Il écrit que"la différenciation des séries temporelles que nous connaissons supprime toute mémoire de l'évolution des prix" - apparemment, si l'on prend la différence avec la barre précédente pour chaque barre.
La plupart d'entre eux utilisent la différence de la 0ème barre sur ce forum.
1) Qu'est-ce que la différenciation fractionnée ? Des coefficients de 0,1-0,5 sont recommandés.
Une différence inférieure à 1 bar ne peut être prise en compte. Peut-être que c'est une différence de 2, 5 ... 10 ... 20 mesures du suivant ?
2) En quoi est-ce mieux que la différence 0-bar ?https://www.mql5.com/ru/articles/6351
Je ne vois pas beaucoup de différence avec la tendance de l'EMA, et s'il y a plusieurs lignes avec des décalages différents, l'intérêt d'utiliser la différenciation fractionnée est perdu.