L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3074
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
Formulez à nouveau votre question.
Si vous avez négocié sur le vrai Forex, n'élargissent-ils pas l'écart la nuit vers 1 heure du matin ? Tout comme dans les cuisines ordinaires.
.
Oui, la M5)
Heureusement que j'ai enidesk et que j'ai accès à mon ordinateur professionnel))))
270 dollars. et le meilleur sl 11500, globalement 5200 sl et 350 tp c'est à peu près le même résultat.
Peut-être que le spread est important. J'ai plus de profit, mais dans l'ensemble la courbe est la même. La courbe d'apprentissage a été un peu rude ces dernières années, oui. Mais les précédentes sont meilleures.
Sur le marché, cet optimum change constamment - comme le terrain de la planète après un tremblement de terre.... et notre tâche consiste donc à prédire le moment où il se produira, ou après, mais surtout le moment où il sera nécessaire de rechercher un nouvel optimum....
Document comparant différentes méthodes. En plus des vidéos et du livre. Il contient de nombreuses références à d'autres documents.
D'après cette image.
Pour le MO, l'échantillonnage séquentiel n'est pas acceptable - seulement l'échantillonnage aléatoire, et pas seulement aléatoire.
A partir de cette image.
Pour le MO, l'échantillonnage séquentiel n'est pas acceptable - seul l'échantillonnage aléatoire, et pas seulement l'échantillonnage aléatoire, est acceptable.
Document comparant différentes méthodes. En plus des vidéos et du livre. Il contient de nombreuses références à d'autres documents.
Merveilleux article !
Si j'ai bien compris les applications, le résultat de la classification dépend non seulement de la qualité des données d'origine, mais aussi de la manière dont nous formons l'ensemble d'entraînement et d'évaluation. Et de quelque chose d'autre que je n'ai pas encore compris.
Merveilleux article !
Si j'ai bien compris les applications, le résultat de la classification dépend non seulement de la qualité des données d'origine, mais aussi de la façon dont nous formons l'ensemble d'entraînement et d'évaluation. Et de quelque chose d'autre, que je n'ai pas encore compris.
Hehe. Regardez d'autres vidéos avant celle-ci, cela pourrait vous éclairer. Il s'agit de trouver dans les données, disons X avec un vecteur de valeurs de caractéristiques W, des échantillons qui réagissent aussi bien que possible au traitement (entraînement du modèle dans notre cas) et de les affecter à la classe "à négocier", alors qu'il vaut mieux ne pas toucher aux autres, "à ne pas négocier", parce qu'ils réagissent mal à l'entraînement (sur de nouvelles données, le modèle commet une erreur en les incluant dans le groupe d'entraînement). En marketing, il s'agit d'exemples d'utilisateurs. Un échantillon d'utilisateurs sera touché par une campagne publicitaire, mais d'autres ne valent pas la peine d'utiliser le budget de la campagne publicitaire.
C'est ainsi que je l'entends dans le contexte de la CT.
Hehehe. Regardez d'autres vidéos avant celle-ci, cela vous aidera peut-être à y voir plus clair. Il s'agit de trouver de tels échantillons dans les données, disons X avec un vecteur de valeurs de caractéristiques W, qui réagissent aussi bien que possible au traitement (entraînement du modèle dans notre cas) et de les affecter à la classe "à négocier", alors qu'il vaut mieux ne pas toucher aux autres, "à ne pas négocier", parce qu'ils ne réagissent pas bien à l'entraînement (sur de nouvelles données, le modèle commet une erreur en les incluant dans le groupe de traitement). En marketing, il s'agit d'exemples d'utilisateurs. Lorsqu'un échantillon d'utilisateurs sera affecté par une campagne publicitaire, mais qu'il n'est pas approprié d'utiliser le budget de la campagne publicitaire pour les autres.
C'est ainsi que je l'entends dans le contexte de la CT.
Votre compréhension a un relent persistant de déterminisme, alors que l'article est l'apothéose du hasard et même sur des données déséquilibrées. Il n'y a pas de sélection d'échantillons, c'est le contraire. Nous recommandons X-learner, qui
estime d'abord les deux fonctions de réponse µ(x, 1) et µ(x, 0). Il utilise ensuite ces estimations pour imputer les effets de traitement individuels non observés pour le traité, ˜ξ 1 i , et le contrôle, ˜ξ 0 i . Les effets imputés sont à leur tour utilisés comme pseudo-résultats pour estimer les effets du traitement dans l'échantillon traité, τ (x, 1), et dans l'échantillon de contrôle, τ (x, 0), respectivement. L'estimation finale du CATE τ (x) est alors une moyenne pondérée de ces estimations de l'effet de traitement pondérées par le score de propension, e(x). Ainsi, l'apprenant X utilise en outre les informations provenant des personnes traitées pour en apprendre davantage sur les témoins et vice-versa dans un style de régression croisée, d'où le terme X dans sa dénomination.
Rien de tel qu'une "bonne" sélection.