L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3128
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
Signifie que le jeu a été mal mélangé.
biais - compromis de variance
Cela signifie que le jeu a été mal mélangé
biais - compromis de variance
Maxim, compte tenu de vos déclarations et de votre connaissance des marchés, laissez-moi vous expliquer ce que signifie l'expression "The tail wags the dog ".
Je sais qu'elle va provoquer votre colère et votre mécontentement. Cela ne me fait pas peur.
Je m'explique.
La queue du chien est le graphique que vous voyez à gauche derrière la barre du zéro, mais ce chien très da sera à droite.
Le chien doit être compris et respecté comme le reste du forum. C'est alors que vous aurez une chance de réussir. Lisez des livres sur la psychologie.)))))))
Cela signifie que le jeu a été mal mélangé
biais - compromis de variance
C'est justement le problème : on ne peut pas mélanger les cartes s'il y a une dérive des données. Vous devez la prédire et éventuellement générer des signes qui en tiennent compte, s'il s'agit d'un vecteur prononcé et pas seulement d'une fluctuation dans l'intervalle.
J'ai découvert un algorithme intéressant, "Isolation Forest", qui peut théoriquement capturer des anomalies ou des valeurs aberrantes dans l'échantillon pour l'entraînement et sur de nouvelles données.
En théorie, il peut être utilisé pour filtrer l'échantillon original et ignorer les signaux lorsque de nouvelles données arrivent, si elles sont très différentes de celles sur lesquelles la formation a été effectuée.
Voulez-vous collaborer à la recherche de cette solution ?
Vous pouvez en savoir plus, par exemple, ici.
Le fait est qu'on ne peut pas mélanger les cartes s'il y a une dérive des données. Il est nécessaire de la prévoir, et éventuellement de générer des signes qui en tiennent compte, enfin, s'il s'agit d'un vecteur prononcé, et pas seulement d'une fluctuation dans l'intervalle.
C'est là que j'ai découvert un algorithme intéressant, "Isolation Forest", qui permet théoriquement de fixer les anomalies/outrelles dans l'échantillon pour l'entraînement et sur de nouvelles données.
En théorie, il peut être utilisé pour filtrer l'échantillon original et ignorer les signaux lorsque de nouvelles données arrivent, si elles sont très différentes de celles sur lesquelles la formation a été effectuée.
Souhaitez-vous collaborer à la résolution de ce problème ?
Vous pouvez en savoir plus, par exemple, ici.
Bannissez ces patients, enfin !
Si je l'ai transformé en décharge en deux messages, alors vous avez créé une énorme poubelle dont vous êtes le responsable.
Alors, parlons du sujet.
Dans quel délai pensez-vous que le ministère de la défense est capable de faire des prévisions de qualité?
Au stade de la définition du biais par rapport à sa variabilité, il faut mélanger. Pour ce faire, on procède à des ajustements croisés (analogue de la stabilité selon Sanych). La variabilité de ce biais peut ne pas être linéaire du tout, ce qui fait que ce problème ne peut pas être résolu par de simples inférences. J'ai appris à le résoudre partiellement, mais je veux toujours faire mieux.
Si l'on ne détecte pas la cause, il n'est pas productif d'utiliser différentes méthodes populaires. C'est pourquoi j'aimerais mesurer la variabilité des données non pas à l'aide de modèles, mais à l'aide de prédicteurs individuels, en comprenant la cause du changement.
Fermez-la.
Je me rends compte que vous avez un problème avec la capacité prédictive, mais alors qu'est-ce que vous enseignez aux gens à propos de la MO ?
Disons que dans l'industrie automobile, il y a des routes sur lesquelles la MO et le matériel peuvent s'appuyer, et sur les marchés derrière 0 bar, il y a une route claire vers tous les côtés de l'horizon.
Si VOUS pensez que rétrécir ou élargir la section de la queue de chien vous donnera un avantage. Ce n'est pas le cas.
Sans détection de la cause, il n'est pas productif d'utiliser diverses méthodes populaires. C'est pourquoi j'aimerais mesurer la variabilité des données non pas à l'aide de modèles, mais à l'aide de prédicteurs individuels en comprenant la cause du changement.
Sans détection de la cause, il n'est pas productif d'utiliser diverses méthodes populaires. C'est pourquoi nous aimerions mesurer la variabilité des données non pas à l'aide de modèles, mais à l'aide de prédicteurs individuels, en comprenant la cause du changement.
Il est important d'utiliser correctement le détecteur. C'est la base du mouvement.
P.s.
Différents facteurs peuvent servir de détecteur, pas nécessairement de nature technique, mais aussi en combinaison avec l'AF, les nouvelles, les rumeurs, etc.
Si vous êtes intéressé, je vous donnerai un indice au bon moment, bien sûr, gratuitement)))).
Si un utilisateur n'est pas d'accord avec une théorie discutée (ou avec le sujet/les spécificités d'un fil de discussion), et si ce désaccord dure plus d'un/trois messages, je recommande fortement de faire ce qui suit :
Je comprends qu'il est plus facile de poster quelques messages dans un fil de discussion très populaire et promu que de créer son propre fil de discussion à partir de zéro et de le rendre populaire.
Mais c'est la seule façon de développer différents aspects ici sans se "toucher".
--------------------
Pour plus d'informations.