L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 398
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
J'ai regardé le fichier, il y a 8 coefficients ; l'entrée est de23; c'est-à-dire qu'il y a un neurone pour travailler avec 3 entrées. Je suppose qu'il faut vingt-quatre heures à votre programme pour calculer quelles sont les 3 entrées sur 100 à envoyer à ce neurone. Je pensais que le neurone était étendu à au moins 10 entrées...
oui, c'est une sélection difficile, il n'en reste que quelques-uns :)
Je vous ai donné un lien vers son site web, il y a une description du modèle. Je ne sais même pas comment le décrire, ça dit Machine nucléaire + Machine vectorielle. C'est plus compliqué que dans la version mt5 + entraînement avec l'adversaire au lieu de sélectionner les poids dans l'optimiseur, mais au final nous avons les mêmes poids pour chacun des prédicteurs.
Pour autant que je sache, la méthode des vecteurs de référence est utilisée lorsque, dans un espace multidimensionnel, l'hyperplan qui est le plus éloigné de tous les points de l'ensemble de formation est construit, divisant ainsi l'espace en deux catégories "oui" et "non". Transformations du noyau de crachat. Il ne s'agit pas d'un neurone pour l'entraîner, mais d'un système d'IA qui, en plus de l'entraînement, effectue un tas de conversions et de forçage brutal avec les données. C'est pour ça que c'est si long. Ce qui est un peu frustrant. Mais là encore, comment peut-on mettre sur le marché un modèle adéquat en 5 secondes ????. Je ne sais pas :-(
Pour autant que je sache, la méthode des vecteurs de référence est utilisée lorsque, dans un espace multidimensionnel, on construit un hyperplan qui est éloigné au maximum de tous les points de l'ensemble d'apprentissage, divisant ainsi l'espace en deux catégories "oui" et "non". Transformations du noyau de crachat. Ce n'est pas un neurone qui l'entraîne, c'est un système d'IA qui, en plus de l'entraînement, effectue un tas de conversions et de forçage brutal avec les données. C'est pour ça que c'est si long. Ce qui est un peu frustrant. Mais là encore, comment peut-on mettre sur le marché un modèle adéquat en 5 secondes ????. Je ne sais pas :-(
Au moins, comme il a déjà été écrit plus haut - n'entassez pas un tas de prédicteurs dedans, il les triera tous de toute façon :)
J'ai regardé le fichier, il y a 8 coefficients ; l'entrée est de23; c'est-à-dire qu'il y a un neurone pour travailler avec 3 entrées. Je suppose que votre logiciel compte du jour au lendemain les 3 entrées sur 100 à envoyer à ce neurone. Je pensais que le neurone était étendu à au moins 10 entrées...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);
Il n'y a pas de malentendu, il y a 2 grilles, 8 entrées sont alimentées à chacune d'elles, puis le résultat des deux grilles est interprété comme décrit précédemment. Si les deux disent oui, alors oui, si non, alors non, si mixte, je ne sais pas... Comme cela.....
Dur... Est-il possible de prédire quelque chose à partir de 3 entrées ?
Je pense que vous perdez votre temps au mauvais endroit, si le RNN devait s'étendre à 10 ou 100 entrées, alors vous pourriez passer 24 heures sur sa formation. Et maintenant vous perdez votre temps à trier les entrées. Et pas sur la formation.
Il n'y a pas de malentendu, il y a 2 grilles avec chacune 8 entrées, puis le résultat des deux grilles est interprété comme décrit précédemment. Si les deux disent oui, alors oui, si non, alors non, si mixte, alors je ne sais pas... Comme cela.....
8 sont les coefficients des liens entre les entrées et les sorties, et il y a 3 entrées (8 =23)
Plus précisément les coefficients des règles :
r0 = (1 - A) * (1 - B) * (1 - C) * p0
Et il n'y a que 3 entrées - A, B et C.r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * (1 - C) * p2 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
Dur... Est-il possible de prédire quelque chose à partir de 3 entrées ?
Je pense que vous perdez votre temps au mauvais endroit, si le RNN devait s'étendre à 10 ou 100 entrées, alors vous pourriez passer 24 heures sur sa formation. Et maintenant vous perdez votre temps à trier les entrées. Et pas sur la formation.
parce que la dernière version là-bas utilise un comité de 2 ns, puis les résultats sont comparés
parce que la dernière version là-bas utilise un comité de 2 ns, puis les résultats sont comparés
Je voudrais étendre le neurone à 10 entrées...
Mais j'ai besoin d'ajouter des règles jusqu'à 1024 :
r0 = (1 - A) * (1 - B) * (1 - C) * p0
r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
.....
r1023 =
Au moins, comme écrit ci-dessus, il ne faut pas mettre un tas de prédicteurs, il les éliminera tous de toute façon :)
Me voici prêt à parier. Cela vient de la pratique. Ce que j'observe lors de l'utilisation de l'optimiseur.
S'il y a moins de colonnes que de rangées, le nombre d'entrées devient inférieur à la taille conditionnelle du polynôme du réseau.
Si le nombre de colonnes et de lignes est égal, le nombre d'entrées et la taille du polynôme sont approximativement les mêmes.
S'il y a plus de colonnes que de lignes, la taille du polynôme est inférieure au nombre d'entrées.
En d'autres termes, il est nécessaire que le nombre de colonnes et de lignes soit approximativement égal. Alors le polynôme est obtenu avec un nombre suffisant d'entrées, et sa taille est à peu près égale au nombre d'entrées.
En d'autres termes. Plus le fichier est grand, plus le modèle devient multiparamétrique. Le nombre d'entrées et la taille du polynôme augmentent, ce qui indique que le modèle devient plus intelligent. Et ainsi de suite.
De plus, lorsque vous exécutez le même fichier plusieurs fois, l'ensemble des paramètres d'entrée est toujours différent. Ceci est dû à une partition aléatoire de l'échantillon lors de la division. Mais si nous exécutons un seul et même fichier et que nous obtenons des modèles absolument différents, ils fonctionneront toujours de manière identique, du moins ils le devraient. C'est la réponse à la question de savoir quels poissons se trouvent dans le fichier donné. S'il diffère d'une exécution à l'autre, cela signifie que les données n'ont rien à voir avec le résultat. Comme cela....
8 sont les coefficients des liens entre les entrées et les sorties, et il y a 3 entrées (8 =23)
Plus précisément les coefficients des règles :
r0 = (1 - A) * (1 - B) * (1 - C) * p0
Il n'y a que trois entrées - A, B et C.r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * (1 - C) * p2 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
De quels coefficients de couplage parlez-vous ? Voici une liste des entrées utilisées, et ce que vous voyez là avant chaque polynôme est la normalisation, et il y a 8 entrées décrites, regardez plus bas tout en bas du fichier.
//Variable x0 : Del
//Variable x1 : Del1
//Variable x2 : VDel
//Variable x3 : VDel1
//Variable x4 : VDel6
//Variable x5 : ST5
//Variable x6 : VAD11
//Variable x7 : VVolum4
Où sont les trois entrées ????? Quand il y en a huit.
L'exemple que vous avez cité provient d'un autre travail de Reshetov et n'a rien à voir avec l'optimiseur.