L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1734
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
Beh, sì, i gatti nella foto sono diversi, ma la rete li riconosce e li distingue dai cani in qualche modo...
Leggete qualcosa sui principi del riconoscimento dei modelli, le reti convoluzionali, come funzionano, ecc. Le vostre domande sono molto immature, e quando le leggerete capirete la loro stupidità.
Anche le sue risposte non sono mature. Ancora una volta: l'oggetto distrutto ha differenze troppo grandi dall'insieme, e quindi l'entropia nella sua immagine non può essere superata aumentando il campione di allenamento. Questo campione potrebbe diventare infinito o confondersi con altri campioni. Questo è ovvio anche per me.
Anche le sue risposte non sono molto mature. Ancora una volta, l'oggetto distrutto è troppo diverso dall'insieme, e quindi l'entropia della sua immagine non può essere superata aumentando il campione di allenamento. Questo campione potrebbe diventare infinito o confondersi con altri campioni. Questo è ovvio anche per me.
Ovvio ma non molto visibile )) Se volete addestrare una rete a riconoscere una casa distrutta, addestratela su case distrutte, non datele una casa intera e chiedetevi come potrebbe rappresentare una casa distrutta... ovvio!!!
È la stessa cosa che ho detto dall'inizio.
mytarmailS:Chi se ne frega se la casa è rotta o no, la rete impara ciò che impara
Ovvio ma non molto visibile). Se vuoi addestrare una rete a riconoscere una casa distrutta, la addestri su case distrutte. Non le dai una casa intera e ti chiedi come potrebbe rappresentare una casa distrutta... È ovvio!!.. Rilascia Konow:
Retag Konow:
Anche le tue risposte non sono molto mature. Ancora una volta, un oggetto distrutto è troppo diverso dall'insieme, quindi l'entropia nella sua rappresentazione non può essere superata aumentando il campione di allenamento. Questo campione potrebbe diventare infinito o confondersi con altri campioni. Questo è ovvio anche per me.
In realtà l'algoritmo di distruzione del muro di mattoni e la sua visualizzazione è stato fatto molto tempo fa, la questione è nella conoscenza dei fattori di distruzione, se li conosciamo, la casa è restaurata))))
Ovvio ma non molto visibile). Se vuoi addestrare una rete a riconoscere una casa distrutta, la addestri su case distrutte, non le dai una casa intera e ti chiedi come potrebbe rappresentare una casa distrutta... ovvio!!!
È la stessa cosa che ho detto dall'inizio.
mytarmailS:Che differenza fa se la casa è rotta o no, la rete impara ciò che le viene insegnato
Usa la tua immaginazione per un secondo. Quante varianti di effrazione possono esserci? Infinito. Ciò significa che potete insegnargli a riconoscere uno o più tipi di case rotte, ma non tutti. Se la forma di distruzione è sconosciuta in anticipo, che senso ha allenare la rete e sperare che le case crollate che incontra rientrino nel campione di allenamento? La rete funzionerà quindi con un successo casuale e fluttuante e una percentuale di riconoscimento imprevedibile.
Penso che sia necessario un approccio diverso.
In realtà, l'algoritmo per distruggere un muro di mattoni e la sua visualizzazione è stato fatto molto tempo fa, la questione è conoscere i fattori di distruzione, se li conosciamo, allora la casa è restaurata))))
L'entropia è una misura del caos che è presente in qualsiasi oggetto collassato. Ripristinare il tutto dal suo stato caotico è una lotta contro l'entropia. Ma abbiamo una formula? La formula è l'intelligenza. Assembla un'unica immagine dalle parti, aggirando il caos e il disordine. Mette insieme le parti in un'equazione e ottiene come risultato l'intero oggetto.
Conclusione: l'intelligenza utilizza NS nel riconoscimento, ma non è linearmente dipendente dal campione di apprendimento. Grazie alla simbiosi con l'Intelletto, l'efficienza di NS aumenta in modo multiplo.
Assembla un'unica immagine dai pezzi,
aggirando il caos e il disordine.
Mette insieme le parti in un'equazione e ottiene come risultato l'intero soggetto.
Analisi spettrale!!! :)
Analisi spettrale!!! :)
Più o meno...))
fallo a modo tuo, ma fai OOS
vogliono vedere
non funziona) ma è stato divertente...
il mio funziona meglio dell'altro.
Comunque, quel metodo non funziona) ma è stato divertente...
il mio funziona meglio, che è
triste )
il ritardo è aumentato, ogni minuto è troppo sottile può essereDovete solo controllare il metodo. Ho provato a gestirlo da solo, non lo farò mai, potrebbe volerci molto tempo, mi ricordo di R, stavo facendo quattro ore di datalogging mentre non ero abituato, non c'è nessuno che mi consiglia. E quello che faccio al 100% sarà un sacco di errori. E devo creare uno script in R che implementi l'intero algoritmo di cui sopra e controllarlo nella vita reale. Anche se il parametro più difficile TC come "GARANZIA" sarà 3 su 5 già può essere guadagnato.
Avrebbe già saputo come farlo. E prevedo al massimo 1 inflessione e riqualifico su ogni barra.
Dividerei questo compito in 3 parti: preparazione dei dati, scomposizione in componenti e previsione. So come fare le prime 2, ma le previsioni sono un problema. Mi piacerebbe usare NS, ma è un campo aperto, inoltre, non sono stato impegnato da NS.
Se voglio giocarci velocemente, posso usare le procedure guidate e fare previsioni con questi indicatori. I parametri devono essere regolati nell'ottimizzatore.
Non capisco, queste figure di Lysaju mostrano cosa, il rapporto tra le due componenti nell'espansione? Cioè, ci sono due componenti nell'espansione che sono spostati uno rispetto all'altro? Sin e cos condizionali. Questo è ridondante, potresti sostituirlo con qualcosa con una fase iniziale diversa.