Conférences gratuites de l'université de Stanford - page 8
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
Vous ne vous appelleriez pas Victor Mikhailovich, par hasard ?
Profil.
J'avais l'habitude d'étudier l'AT. Au MESI, je pense qu'il y a trois départements qui enseignent l'économétrie et la statistique mathématique, je n'ai pas étudié. Je n'ai pas connaissance de méthodes mathématiques rentables. Je connais les méthodes mathématiques qui, entre des mains expertes, permettent de réaliser des bénéfices, souvent évoqués. Avec des tables des matières, des listes de livres. Paquets de tapis .... Prenez EViews ou R si vous ne voulez pas aller sur Google ou voir mon profil. Mais tout cela n'est qu'un outil, comme une liste d'indicateurs.
Je n'ai pas le Graal. J'ai une compétence personnelle dans l'utilisation de l'AT et des statistiques mathématiques. Je n'enseignerai cette compétence à personne.
Je pense avoir répondu en détail.
Profil.
J'avais l'habitude d'étudier l'AT. Au MESI, je pense qu'il y a trois départements qui enseignent l'économétrie et la statistique mathématique, je n'ai pas étudié. Je n'ai pas connaissance de méthodes mathématiques rentables. Je connais les méthodes mathématiques qui, entre des mains expertes, permettent de réaliser des bénéfices, souvent évoqués. Avec des tables des matières, des listes de livres. Paquets de tapis .... Prenez EViews ou R si vous ne voulez pas aller sur Google ou voir mon profil. Mais tout cela n'est qu'un outil, comme une liste d'indicateurs.
Je n'ai pas le Graal. J'ai une compétence personnelle dans l'utilisation de l'AT et des statistiques mathématiques. Je n'enseignerai cette compétence à personne.
Je pense avoir répondu à cette question de manière exhaustive.
D'abord, vous dites "l'AT est pour les pigeons, pour qu'ils puissent vider le dépôt avec un air d'importance". Et maintenant "j'ai ma propre compétence personnelle dans l'utilisation de l'AT et des statistiques mathématiques. Je ne vais pas l'enseigner à qui que ce soit."
Très bien. Ne vous attachez pas aux mots. Voici mon opinion personnelle sur les réseaux neuronaux. J'ai commencé à les étudier en 2006, en essayant de les appliquer au marché. En six ans, j'en suis arrivé à la conclusion que les réseaux eux-mêmes ne sont pas aussi importants que la préparation des données d'entrée. De plus, les données d'entrée doivent être transformées par le même TA pour réduire leur dimension et être invariantes aux distorsions sur l'axe du temps et des prix. En outre, nous devons savoir à l'avance ce que nous attendons du réseau, quel système d'entrée et de sortie il doit mettre en œuvre. Par exemple, si nous voulons que le filet soit utilisé pour trader sur les rebonds/ruptures des niveaux de support/résistance, les données d'entrée doivent être présentées en conséquence. Mais une fois que les données d'entrée nécessaires ont été collectées pour que le filet soit formé et prenne des décisions à notre place, nous n'avons plus du tout besoin du filet, car nous savons déjà comment entrer et sortir. La tentative de fixer des prix aux intrants du réseau, en espérant que le réseau les transformera et trouvera comment les utiliser, conduit à des résultats désastreux.
Une question se pose alors : les réseaux sont-ils vraiment nécessaires et méritent-ils d'être étudiés ? Chacun a sa propre réponse. Par exemple, je ne pense pas avoir perdu mon temps à apprendre les réseaux. Ils sont utiles pour mon travail. D'ailleurs, notre cerveau est le même réseau neuronal. Ainsi, nier son utilité dans le commerce revient à nier l'utilité du cerveau. Le problème ici est que nous ne comprenons toujours pas comment notre cerveau prend la même série de prix, se concentre sur les points importants, en faisant abstraction des détails, et prend une décision. Un simple réseau neuronal de manuel ne peut pas simuler ce comportement. Même si nous étions capables de simuler ce comportement, la vitesse d'apprentissage et de fonctionnement d'un tel réseau "biologique" serait beaucoup plus lente que celle de notre cerveau et ne serait pas applicable au commerce.
D'abord, vous dites que "l'AT sert à vider le dépôt avec un regard important". Et maintenant "j'ai ma propre compétence dans l'utilisation de l'AT et des statistiques mathématiques. C'est une compétence que je n'enseignerai à personne d'autre".
.....Je ne connais pas les méthodes mathématiques qui permettent de faire des bénéfices. Les méthodes mathématiques qui, entre des mains expertes, peuvent apporter des bénéfices sont connues de moi, plusieurs fois appelées.......
Le problème ici est que nous ne comprenons toujours pas comment notre cerveau prend la même gamme de prix, se concentre sur les points importants, fait abstraction des détails et prend une décision .
comme ça...
Formation d'hypothèses
Extraction et collecte de données
Préparation des données (filtrage, transformations)
Sélection du modèle, choix des paramètres du modèle et de l'algorithme d'entraînement
Entraînement du modèle (recherche automatique des paramètres restants du modèle)
Analyse de la qualité de l'entraînement
Analyse des modèles identifiés
tout cela s'appelle le Data Mining...
Un réseau dans cette machine (s'il est utilisé)... à propos des données correctement préparées, je suis tout à fait d'accord... si les données sont normales, une simple régression linéaire suffit... c'est ce que vous devez viser...
D'abord, vous dites que "l'AT sert à vider le dépôt avec un regard important". Et maintenant "j'ai ma propre compétence dans l'utilisation de l'AT et des statistiques mathématiques. C'est une compétence que je ne vais enseigner à personne."
Très bien. Ne vous attachez pas aux mots. Voici mon opinion personnelle sur les réseaux neuronaux. J'ai commencé à les étudier en 2006, en essayant de les appliquer au marché. En six ans, j'en suis arrivé à la conclusion que les réseaux eux-mêmes ne sont pas aussi importants que la préparation des données d'entrée. En outre, les données d'entrée doivent être transformées par le même TA afin de réduire leur dimension et de les rendre invariantes aux distorsions sur l'axe du temps et des prix. En outre, nous devons savoir à l'avance ce que nous attendons du réseau, quel système d'entrée et de sortie il doit mettre en œuvre. Par exemple, si nous voulons que le filet soit utilisé pour trader sur les rebonds/ruptures des niveaux de support/résistance, les données d'entrée doivent être présentées en conséquence. Mais une fois que les données d'entrée nécessaires ont été collectées pour que le filet soit formé et prenne des décisions à notre place, nous n'avons plus du tout besoin du filet, car nous savons déjà comment entrer et sortir. La tentative de fixer des prix aux intrants du réseau, en espérant que le réseau les transformera et trouvera comment les utiliser, conduit à des résultats désastreux.
Une question se pose alors : les réseaux sont-ils vraiment nécessaires et méritent-ils d'être étudiés ? Chacun a sa propre réponse. Par exemple, je ne pense pas avoir perdu mon temps à apprendre les réseaux. Ils sont utiles pour mon travail. D'ailleurs, notre cerveau est le même réseau neuronal. Ainsi, nier son utilité dans le commerce revient à nier l'utilité du cerveau. Le problème ici est que nous ne comprenons toujours pas comment notre cerveau prend la même série de prix, se concentre sur les points importants, en faisant abstraction des détails, et prend une décision. Un simple réseau neuronal de manuel ne peut pas simuler ce comportement. Même si nous étions capables de simuler un tel comportement, la vitesse d'apprentissage et de fonctionnement d'un tel réseau "biologique" serait beaucoup plus lente que notre cerveau et inapplicable au commerce.
Il n'y a que des connaissances livresques sur les réseaux.
En économétrie, la TS est adoptée comme l'un des outils de classification. Mais la classification ne suffit pas à construire un modèle économétrique normal, la NS peut être une partie du modèle, et non la plus importante. La modélisation commence par l'apprentissage et la maîtrise des méthodes d'estimation. Sans méthodes d'estimation, on ne peut pas analyser un quotient, on ne peut pas évaluer un modèle que l'on a construit sur les résultats de l'analyse, on ne peut pas évaluer les résultats de l'application du modèle. A tout ce qui précède, NS n'a rien à faire.
Votre post confirme ma perplexité. Vous avez réussi à comprendre une idée très peu simple appelée NS, qui peut être appliquée au trading après tout. Mais pour une raison quelconque, vous n'avez pas passé une seule minute à étudier un concept beaucoup plus simple appelé régression. Et comprendre les régressions et savoir comment les utiliser aurait radicalement changé votre attitude envers les indicateurs en particulier et l'AT en général. Et il y aurait une personne de plus sur le forum qui affirmerait que "l'AT est pour les pigeons sur le champ des miracles".
quelque chose comme ça...
Formation d'hypothèses
Récupération et collecte des données
Préparation des données (filtrage, transformations)
Sélection du modèle, sélection des paramètres du modèle et algorithme d'entraînement
Entraînement du modèle (recherche automatique des paramètres restants du modèle)
Analyse de la qualité de l'entraînement
Analyse des modèles identifiés
tout cela s'appelle le Data Mining...
Un réseau dans cette machine (s'il est utilisé)... à propos des données correctement préparées, je suis tout à fait d'accord... si les données sont normales, une simple régression linéaire suffit... c'est ce que vous devez viser...
Je suis d'accord pour dire que nous connaissons les étapes de la construction du modèle. Nous ne savons pas encore comment créer un réseau neuronal incarnant ces étapes. Dans un avenir lointain, nous apprendrons peut-être à créer de tels réseaux neuronaux. Pour l'instant, un réseau neuronal (le cerveau du développeur) effectue tout le travail préparatoire important de traitement des données, d'identification des modèles, de sélection d'un modèle et d'optimisation de ce modèle, tandis qu'un autre réseau (dans le programme) ne fait que du calcul sur la base des données et de la structure que lui donne le développeur. L'ajout de poids auto-optimisants à ce deuxième réseau ne le rend pas plus intelligent, mais réduit seulement l'erreur de modélisation.
Je suis d'accord pour dire que les étapes de la construction d'un modèle nous sont connues. On ne sait pas encore comment créer un réseau de neurones mettant en œuvre ces étapes. Dans un avenir lointain, nous apprendrons peut-être à créer de tels réseaux neuronaux. Pour l'instant, un réseau neuronal (le cerveau du développeur) effectue tout le travail préparatoire important de traitement des données, d'identification des modèles, de sélection d'un modèle et d'optimisation de ce modèle, tandis qu'un autre réseau (dans le programme) ne fait que du calcul sur la base des données et de la structure que lui donne le développeur. L'ajout de poids auto-optimisants à ce deuxième réseau ne le rend pas plus intelligent, mais réduit seulement l'erreur de modélisation.
il est possible de faire une telle construction...dans des paquets statistiques prêts à l'emploi ou plusieurs...pour accompagner le tout de scripts et de macros (c'est-à-dire pour automatiser complètement)
une des options -
Formation d'hypothèses - utilisez n'importe quel outil graphique et entraînez net ou ha ou etc. sur le rendement maximal
- obtenez soit BP qui donnera le rendement maximal, soit des booléens (comme signaux)... à l'avenir, vous pourrez utiliser la fonction cible
sur le rendement maximal et etc. si net ou etc. est auto-écrit et normal...
Recherche et collecte de données - téléchargement automatique de tout ce que nous avons...
Préparation des données (filtrage, transformations) - classification, clustering, analyse factorielle, blanchiment des entrées
peut aussi être fait en partie par la grille... vous pouvez le faire avec des algorithmes prêts à l'emploi...
(Il s'agit de la section la plus importante et des transformations astucieuses peuvent très bien améliorer les résultats).
Sélection du modèle, choix des paramètres du modèle et de l'algorithme d'apprentissage - plusieurs modèles sont testés par une erreur d'apprentissage et le meilleur pour les données disponibles est choisi (il existe de tels modules prêts à l'emploi dans les progiciels statistiques)...
Analyse des modèles identifiés - ici, vous pouvez simplement les introduire dans le réseau et regarder les poids en % de ratio ou ainsi de suite...
Une telle construction serait probablement la plus proche d'un costume d'intelligence - puisque la cible est sélectionnée par le modèle lui-même au départ et que tout est automatique, des données brutes à la coupe finale...
En général, bien sûr, tout cela prend beaucoup de temps et est inefficace... et ce qui est intéressant, c'est qu'en pratique, cela ne sera pas très différent de l'optimisation des indicateurs normaux (et) TA pour le rendement maximal ou les problèmes économétriques (à moins qu'un prédicteur normal n'apparaisse dans les données)) car toutes les propriétés de la BP pénétreront de toute façon dans le modèle et seront enregistrées... avec toutes les conséquences ultérieures...
Ainsi, alors que Sanych va courir avec la règle d'eq et dire que l'économétrie est la meilleure... Les plus ingénieux vont essayer de couper avec l'AT... avec le réentraînement à une certaine étape (comme une des options), en attrapant la dynamique de la BP qui continue pendant un certain temps et en ignorant la non-stationnarité...)))