réseau neuronal et entrées - page 36
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
Le pdf ne veut pas s'attacher, le rar ne veut pas s'attacher non plus. De quoi avez-vous besoin ?
Expliquer :
quatre modèles ont été évalués en premier lieu et le résultat a été
1. mlpe avec AUC=0.924 et Acc=85.7%.
2. DT avec AUC=0.877 et Acc=84.4%.
3. mlp avec AUC=0.874 et Acc=81.7%.
4. svm avec AUC=0.857 et Acc=82.4%.
c'est-à-dire qu'un ensemble de réseaux neuronaux multicouches activés par différentes valeurs initiales (aléatoires) des poids a donné de meilleurs résultats que andomForest et l'arbre de décision ?
Non. L'ensemble est meilleur que DT, mlp et svm. Les valeurs RF et ada sont données ensuite et elles sont meilleures.
la différence d'Acc entre 85,7% et 89,4% donnerait-elle une amélioration significative de la prévision ?
J'ai une régression linéaire et une régression non linéaire qui donnent des valeurs R multiples pour l'or, par exemple, de 0,95485489 et 0,97386429 respectivement. Je n'ai pas constaté d'amélioration significative des propriétés prédictives du modèle dans la pratique - en trading
L'Ass=91% pour le modèle ada. Et c'est très bien. Je n'ai pas fait de régression. Ou plutôt, je l'ai fait, mais je n'ai pas aimé.
Que montre la valeur R multiple ? Je ne l'ai jamais vu avant.
L'Ass=91% pour le modèle ada. Et c'est très bien. Je n'ai pas fait de régression. Ou plutôt, je l'ai fait, mais je n'ai pas aimé.
Que montre la valeur R multiple ? Je ne l'ai jamais vu auparavant.
Le R multiple est le coefficient de corrélation multiple.
Question - il existe deux méthodes. L'utilisation de l'une d'entre elles donne une précision de prédiction, par exemple, de 1 à 3 % supérieure à celle de l'autre - elle ne donne pas un avantage commercial tangible d'une méthode par rapport à l'autre.
Maintenant, si vous divisez l'angle de pente par la déflexion, vous obtenez une valeur qui caractérise pleinement le métier. Ce résultat peut maintenant être utilisé comme fonction de fitness pour le réglage.
C'est vous qui avez, pardon, "inventé" l'indicateur Sharpe. Un très bon indicateur, d'ailleurs.
Essayezce professeur. (https://www.mql5.com/ru/code/903). Vous ne pouvez pas faire mieux que ça.
Toutes les entrées que vous souhaitez, même OHLC, sont possibles.
Ce n'est pas le professeur, c'est le sous-performant. Comme la blague.
Conversation sur les trolleybus.
Pouvez-vous me dire quand l'arrêt aura lieu ?
-Regardez-moi. -Votre précédent, dès que je descends.
Dans votre cas, vous avez besoin d'une prévision au moins trois mesures à l'avance. Et c'est la régression.
Et si vous pensez être un pionnier ici, oubliez-le. Cette direction est complètement piétinée. Lire la suite.
Bonne chance
Ce n'est pas le Professeur, c'est le double langage. Comme dans la blague.
Une conversation dans un trolleybus.
Pouvez-vous me dire quand l'arrêt aura lieu ?
-Tu me suis. Dès que je descends, tu es le dernier.
Dans votre cas, vous avez besoin d'une prévision au moins trois mesures à l'avance. Et c'est la régression.
Et si vous pensez être un pionnier ici, oubliez-le. Cette direction est complètement piétinée. Lire la suite.
Bonne chance
(Rires)
Il n'y a pas de régression ici, la régression que vous alimentez à l'entrée dans votre exemple.
J'ai regardé "votre" BBCI, ce n'est pas mieux et c'est aussi glitchy.
Proposer les données d'entrée (hors OHLC) et le professeur.
Je ne prétends rien du tout, vous avez demandé, j'ai offert.
Vous n'avez pas l'air d'avoir tout compris et la régression vous préoccupe.
Continuez à piétiner. Bonne chance.
Les données peuvent être introduites dans l'entrée après transformation spectrale du vecteur d'entrée.
Dans ce cas, la tâche du réseau neuronal pourrait être de prédire le "futur" du spectre. J'ai fait quelques recherches sur ce sujet. Je pense qu'il y a un sens à une telle transformation, même si c'est un calcul qui demande beaucoup de ressources. Ici ICI j'ai décrit plus en détail, quelques variantes d'application.