L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 371
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Ancora non capisco - correlazione inversa o nessuna correlazione?
O pensate che se due serie casuali hanno un coefficiente di correlazione di -1, allora "non hanno correlazione"?
Yoeklmn.....
ah... L'ho capito subito )) L'ho capito subito...
1. nessuno sta analizzando la correlazione - si tratta della scelta dei predittori.
2. Lei ha ripetuto il mio punto tre pagine prima -"La dipendenza è un caso speciale di correlazione. Se due variabili sono dipendenti, allora c'è sicuramente una correlazione. Se c'è correlazione, allora non c'è necessariamente dipendenza".
3. L'entropia incrociata, proprio come la correlazione, non darà una risposta sulla presenza di dipendenza funzionale
1) Prima tu stesso trasmetti per correlazione, poi cancelli i post, poi non ti ricordi di cosa hai scritto un paio di pagine fa.
Dimitri:
Tutto il MO si basa sul fatto che le variabili di input devono essere correlate alla variabile di output.
2) No, ho detto che ci può essere una dipendenza anche dove non c'è correlazione.
3) L'entropia incrociata. È possibile stimare un grande insieme di predittori in relazione a un obiettivo in una sola volta. Quando ognuno dei predittori non è in grado di prevedere, ma una certa combinazione di essi lo è. Sfortunatamente, non è vero per il forex, ma in generale la selezione dei predittori attraverso la cross-entropia è molto meglio per l'apprendimento automatico che la selezione attraverso la correlazione.
2) No, ho detto che ci può essere una correlazione anche dove non c'è correlazione.
Non ci può essere dipendenza dove non c'è correlazione. La correlazione può essere lineare o non lineare, ma lo sarà se c'è dipendenza.
Ci può essere correlazione dove non c'è correlazione - una falsa correlazione.
Non ho cancellato un solo post in questo thread.
Non posso (non so perché) scaricare il libro per dare una prova.
Chiunque ne abbia la possibilità, scarichi e pubblichi qui un'immagine di esempio per fermare i battibecchi inutili.
Bendat J., Pearsol A.
Analisi applicata dei dati casuali: Tradotto dall'inglese: World, 1989.
In. 126
ESEMPIO 5.4. VARIABILI CASUALI DIPENDENTI NON CORRELATE.
.
ss
L'esempio è molto eloquente.
Due predittori ugualmente correlati - cosa buttiamo via sulla base di una correlazione più bassa? Quale dei due è meno correlato?
Dmitry, mi dispiace, ma ho il sospetto che tu stia cercando di trollarmi, o che tu stia scherzando, o che tu sia semplicemente stupido, con tutto il rispetto... Non riesci a vedere da un esempio banale che due attributi hanno entrambi una correlazione zero con l'obiettivo, MA entrambi sono significativi, nessuno dei due può essere eliminato, la correlazione lineare è zero, non lineare al 100%, cioè la correlazione può essere zero e il set di dati è completamente prevedibile, ciò che la tua dichiarazione:
Dimitri:
Tutto il MO si basa sul fatto che le variabili di input devono essere correlate alla variabile di output.
Altrimenti non c'è senso in TUTTI i modelli MO.
Lo confuta completamente.
Non ci può essere dipendenza dove non c'è correlazione. La correlazione può essere lineare o non lineare, ma lo sarà se c'è dipendenza.
Non posso (non so perché) scaricare il libro per dare una prova.
Chiunque ne abbia la possibilità, scarichi e pubblichi qui un'immagine di esempio per fermare i battibecchi inutili.
Bendat J., Pearsol A.
Analisi applicata dei dati casuali: Tradotto dall'inglese: World, 1989.
In. 126
ESEMPIO 5.4. VARIABILI CASUALI DIPENDENTI NON CORRELATE.
.
ss
L'esempio è molto eloquente.
http://sci.alnam.ru/book_dsp.php
solo che non c'è un'immagine a pagina 126
Perché siete tutti così ossessionati dalla correlazione?
Nell'apprendimento automatico, c'è un concetto di "importanza - importanza" delle variabili, che non ha niente a che vedere con la correlazione. Il calcolo è spesso incorporato nell'algoritmo di apprendimento automatico stesso.
Per esempio, in una foresta casuale.
Da un intero sottoinsieme di predittori, forse diverse centinaia, alcuni pezzi vengono selezionati e l'algoritmo interno viene utilizzato per vedere se i valori di questi predittori predicono un particolare valore della classe. Sono accettati o scartati.
Alla fine guardano attraverso tutti i nodi dell'albero e vedono quante volte un predittore è stato usato in ogni nodo dell'albero - si scopre l'importanza dei predittori.
Continuo a cercare di riunire la squadra per discutere gli sviluppi esistenti in questo campo, che sono molto più informativi degli esercizi di correlazione.
Perché siete tutti così ossessionati dalla correlazione?
Nell'apprendimento automatico, c'è un concetto di "importanza - importanza" delle variabili, che non ha niente a che vedere con la correlazione. Il calcolo è spesso incorporato nell'algoritmo di apprendimento automatico stesso.
Per esempio, in una foresta casuale.
Da un intero sottoinsieme di predittori, forse diverse centinaia, alcuni pezzi vengono selezionati e l'algoritmo interno viene utilizzato per vedere se i valori di questi predittori predicono un particolare valore della classe. Sono accettati o scartati.
Alla fine guardano attraverso tutti i nodi dell'albero e vedono quante volte un predittore è stato usato in ogni nodo dell'albero - si scopre l'importanza dei predittori.
Tutto quello che sto cercando di ottenere dal team è di discutere gli sviluppi già esistenti in questo settore, che sono molto più informativi che esercizi di correlazione.
e alglieb ha anche una foresta oscura, a proposito... puoi usarla senza lasciare mt5