L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1526
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
La discesa del gradiente è un metodo con cui le reti neurali selezionano pesi/moltiplicatori/spostamenti per i neuroni.
La regressione e la classificazione sono compiti che sia le foreste che le reti neurali possono eseguire.
La discesa del gradiente è il metodo con cui le reti neurali selezionano pesi/moltiplicatori/spostamenti per i neuroni.
Grazie, ma non è quello che intendevo.
Sulla somiglianza del risultato finale, regressione e discesa del gradiente.
La regressione trova il punto medio tra i vicini, la discesa del gradiente trova il punto più vicino.
Essenzialmente mi sembra che gli algoritmi di ricerca siano simili nel risultato finale.
La differenza sarebbe l'errore di deviazione. Quindi mi chiedevo, quale potrebbe dare un errore minore?
Mi sembra che la discesa del gradiente sarà più accurata della regressione.
Il mio punto è che, per esempio, c'è un insegnante, l'output della rete dovrebbe essere una copia dell'insegnante, con un errore minimo.
Quindi non riesco a decidere quale modello usare con quale algoritmo.
Grazie, ma non è quello che intendevo.
Sulla somiglianza del risultato finale, regressione e discesa del gradiente.
La regressione trova il punto medio tra i vicini, la discesa del gradiente trova il punto più vicino possibile.
Essenzialmente mi sembra che gli algoritmi di ricerca siano simili nel risultato finale.
La differenza sarebbe l'errore di deviazione. Questo è quello che pensavo avrebbe dato un errore minore.
Penso che la discesa a gradiente sarà più accurata della regressione.
Non mi sarei aspettato nessun'altra risposta.
Grazie, ma non è quello che intendevo.
Sulla somiglianza del risultato finale, regressione e discesa del gradiente.
La regressione trova il punto medio tra i vicini, la discesa del gradiente trova il punto più vicino.
Essenzialmente mi sembra che gli algoritmi di ricerca siano simili nel risultato finale.
La differenza sarebbe l'errore di deviazione. Quindi mi sono chiesto: quale dei due darebbe un errore minore?
Mi sembra che la discesa a gradiente sarebbe più accurata della regressione.
Il mio punto è che, per esempio, c'è un insegnante, l'output della rete dovrebbe essere una copia dell'insegnante, con un errore minimo.
Quindi non riesco a decidere quale modello usare con quale algoritmo.
La regressione e la classificazione sono il risultato di una scatola nera. La discesa è ciò che accade al suo interno. Queste cose non possono essere paragonate tra loro. È come un'immagine su uno schermo televisivo (il risultato) e il principio di funzionamento di una resistenza che si trova all'interno di quel televisore.
Quindi non riesco a decidere quale modello usare con quale algoritmo.
Nessuno degli algoritmi ha senso. Il mercato è SB (se si guarda solo ai prezzi).
Il MO funziona quando c'è un modello. Nessuno in questo thread, per diversi anni, ha trovato qualcosa che guadagna costantemente.
A meno che non si alleni il cervello))
Nessuno degli algoritmi ha senso. Il mercato è SB (se si guarda solo ai prezzi).
Il MO funziona quando c'è un modello. Nessuno in questo thread, in diversi anni, ha trovato qualcosa che guadagna costantemente.
Allenano solo il loro cervello)).
Si può guadagnare costantemente solo con un attento scalping e seguendo rigorosamente le tendenze principali - precedenti, attuali e prossime
La regressione e la classificazione sono il risultato di una scatola nera. La discesa è ciò che accade al suo interno. Queste cose non possono essere paragonate tra loro. È come l'immagine sullo schermo del televisore (il risultato) e il principio della resistenza che sta dentro quel televisore.
Non ha senso nessuno dei due algoritmi. Il mercato è SB (se si guarda solo ai prezzi).
Il MO funziona quando c'è un modello. Nessuno in questo thread, in diversi anni, ha trovato qualcosa che guadagna costantemente.
Allenano solo il loro cervello)).
Grazie per il chiarimento.
Il punto è che con MO non ho intenzione di cercare modelli in forma pura.
Sto cercando di fare uno strumento con il quale questi modelli saranno rilevati.
Quindi ho bisogno di scegliere il giusto tipo di algoritmo per copiare l'insegnante all'uscita della rete, con il minimo errore.
In questo caso la rete non sta cercando alcun modello, sta solo copiando l'insegnante.
Grazie per il chiarimento.
Questo è il punto, non ho intenzione di cercare schemi in forma pura con MO.
Sto cercando di creare uno strumento con cui rilevare questi modelli.
Quindi ho bisogno di scegliere il giusto tipo di algoritmo per copiare l'insegnante all'uscita della rete, con il minimo errore.
In questo caso la rete non cerca alcuna regolarità, semplicemente copia l'insegnante.
Nessuno degli algoritmi ha senso. Il mercato è SB (se si guarda solo ai prezzi).
Il MO funziona quando c'è un modello. Nessuno in questo thread, per diversi anni, ha trovato qualcosa che funziona in modo coerente.
Che sia SB.
Ma il SB, o meglio il processo casuale, ha anche delle regolarità. Ne abbiamo discusso più di una volta nel ramo "Dalla teoria alla pratica" - si tratta di una varianza stazionaria, come conseguenza dell'equazione di Einstein-Smoluchowski e ritorno al punto di partenza = 66% nel cammino bidimensionale e convergenza alla distribuzione gaussiana di un gran numero di variabili casuali indipendenti... Sì, molte cose... C'è tutta una teoria dei processi casuali ed è possibile vincere su SB, non importa quello che qualcuno dice.
Allora perché il MO sta fallendo in questo compito? Domanda filosofica, concettuale. Non conosco la risposta...
Che sia SB.
Ma, dopo tutto, SB, o meglio un processo casuale, ha anche delle regolarità. Ne abbiamo discusso più di una volta nel ramo "Dalla teoria alla pratica" - si tratta di una varianza stazionaria come conseguenza dell'equazione di Einstein-Smoluchowski e ritorno all'origine = 66% nel vagabondaggio bidimensionale e convergenza alla distribuzione gaussiana della somma di un gran numero di variabili casuali indipendenti... Sì, molte cose... C'è tutta una teoria dei processi casuali ed è possibile vincere su SB, non importa quello che qualcuno dice.
Allora perché il MO sta fallendo in questo compito? Domanda filosofica e concettuale. Non conosco la risposta...
Devo finire il soggetto in questo autunno, altrimenti diventerà in qualche modo noioso. Ho passato molto tempo a studiare i componenti aggiuntivi delle reti neurali, e poi la teoria dell'applicazione, che nessuno ha mai sviluppato per i mercati finanziari. In qualche modo è generalmente evitato in modo schizzinoso dagli scienziati dei dati.
Ho un abbonamento a pagamento a tutti i tipi di articoli accademici e ricerche di professori, ma funzionano tutti con le opzioni, per lo più. Pensano che sia provato che non c'è niente da prendere sul posto.