L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1702
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
Se stessimo parlando di regressione, sarebbe più chiaro - probabilmente è un buon modo di vedere la cosa.
Sono d'accordo. NS è più un componente dell'IA, come una vite o un dado in una macchina.
Un altro dei tuoi errori da principiante. NS è molto esigente nei confronti del campione di allenamento ed è uno strumento piuttosto sottile, dove un piccolo errore nella preparazione dei dati (virgola sbagliata) porta a un risultato diametrale. Cercate di trarre meno le vostre conclusioni e ascoltate meglio ciò che vi viene detto.
Va bene, il NS è un componente dell'IA. Oltre alla rete neurale c'è una serie di algoritmi che servono questa rete neurale, e tutti insieme questo è un sistema AI. Esattamente un sistema. Ma un sistema AI non può esistere senza una rete neurale.
Al momento non identifico AI e NS. Lei stesso ha detto che non c'è bisogno di confondere le due cose. NS è uno strumento che può essere usato nell'IA, ma da solo non ci si avvicina. Sembrava che lei fosse d'accordo con questo.
L'IA deve anche interagire con gli umani?
Quindi questa è la conclusione a cui siamo arrivati.
Cosa c'è che non va? Catbust bypassa la maggior parte dei suoi concorrenti.
A me, per esempio, non piaceva l'idea di un albero simmetrico in esso. Ovviamente non è la soluzione migliore dividere 2 nodi diversi per un solo predittore e per lo stesso livello. A meno che non acceleri fino a 10 volte.
Meno male che hanno aggiunto 2 nuovi metodi più classici.
Probabilmente lo aggira, ma lì, nelle gare, il campionamento è stazionario, non ci sono caratteristiche particolarmente schifose, cioè le condizioni non sono quelle con cui lavoriamo, e sto solo pensando a come preparare al meglio i dati con queste caratteristiche in mente. (La soluzione non è ancora in forma definitiva, ma è un compito importante).
I diversi modelli di alberi sono buoni, ma al momento non possono essere caricati in un file separato, e quindi non possono essere incorporati nell'EA, il che è male.
Non mi piace l'assenza di postprocessing nel boosting - quando alla fine dell'allenamento il modello viene semplificato buttando fuori gli alberi deboli. Non vedo perché questo non venga fatto.
Le foglie dei singoli alberi nel boosting sono deboli - bassa completezza - meno dell'1% ed è male che questo parametro non può essere regolato, mentre la distribuzione del segnale contabile per campione non viene effettuata affatto - come risultato impariamo scartando. Molte sfumature e qui la soluzione può essere una buona pre-elaborazione dei predittori. E naturalmente è meglio inserire e modificare il codice - nessuno capisce il C++ al livello giusto?
Penso che debba farlo. Altrimenti, che senso ha?
Quando pensi (il tuo intelletto risolve un problema) devi comunicare con qualcuno in quel momento?
Non riesci ancora a togliere di mezzo la tua definizione "verme" di intelligenza, quindi ora stiamo comunicando in lingue diverse
Ti dirò ancora di più, ho avuto casi simili in cui dovevo solo premere il pulsante di ottimizzazione e poi mi sono reso conto che questo passo 20 operazioni fa l'ho fatto male e in effetti avevo un errore nei miei dati e ho dovuto preparare tutto di nuovo perché avevo capito chiaramente che non doveva esserci nessun errore. Una virgola nel posto sbagliato ed è stato tutto inutile. Questo significa ore di macchina, tempo e, soprattutto, risultati.