L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1881
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
Il problema è che lo schema di preparazione dei dati sembra essersi esaurito, con non più del 65-66% di risposte corrette, ed è necessario fare di più. Sto cercando un modo per sfondare questo muro.
Qual è il tuo obiettivo?
qual è il tuo obiettivo?
65% di risposte corrette è il livello di un buon indicatore, questo è ciò che neuro sta mostrando attualmente. Se la risposta è 70% e oltre, possiamo provare ad aprire una posizione.
Ho capito, ma qual è l'obiettivo? Cosa prevedete con le reti? un'inversione? una tendenza? se una tendenza, cosa avete descritto come una tendenza?
Ho capito, ma qual è l'obiettivo? Cosa prevedete con le reti? un'inversione? una tendenza? se una tendenza, cosa avete descritto come una tendenza?
Il compito, per esempio, è distinguere un gatto da un cane da una foto. Qual è l'opzione di formazione giusta?
1. Mostra solo immagini di cani e gatti, cioè classificazione binaria.
2. Insegnare separatamente solo gatti e "non gatti" (protos chaos) + separatamente anche cani e "non cani", cioè due cicli di formazione e due modelli in uscita.
3. Fate una classifica a tre: gatti, cani e caos. Cioè ci sarà un modello, ma la risposta è una classificazione di tre opzioni.
In questo momento ho la prima opzione ed è chiaramente storta. Il problema è che il neuro impara bene solo una delle varianti, vede convenzionalmente bene solo i "gatti" e riconosce male i cani. Ad esempio, nei backtest i modelli sono bravi a rilevare un movimento di prezzo verso l'alto e ad ignorare un movimento verso il basso. Se l'indovinello verso l'alto arriva al 67%, lo stesso modello indovina solo il 55% verso il basso. "Su" e "giù" da modello a modello possono cambiare posto.
Ho capito, ma qual è l'obiettivo? Cosa prevedete con le reti? un'inversione? una tendenza? se una tendenza, cosa avete descritto come una tendenza?
A proposito, forse gli esperti possono aiutare. Ecco una domanda:
Il compito, per esempio, è distinguere un gatto da un cane da una foto. Qual è il modo giusto per imparare?
1. Mostra solo immagini di cani e gatti, cioè classificazione binaria.
2. Insegnare separatamente solo gatti e "non gatti" (protos chaos) + separatamente anche cani e "non cani", cioè due cicli di formazione e due modelli in uscita.
3. Fate una classifica di tre - gatti, cani e caos. Cioè ci sarà un modello, ma la risposta è una classificazione di tre opzioni.
In questo momento ho la prima opzione ed è chiaramente storta. Il problema è che il neuro impara bene solo una delle varianti, vede convenzionalmente bene solo i "gatti" e riconosce male i cani. Per esempio, nei backtest i modelli sono bravi a rilevare il movimento di prezzo verso l'alto e ignorano quello verso il basso. Se il modello indovina verso l'alto del 67%, lo stesso modello indovina solo verso il basso del 55%. I modelli "su" e "giù" possono cambiare di posto da modello a modello.
Il problema qui non è nelle varianti di classificazione ma nello sbilanciamento degli esempi per l'allenamento, sbilanciamento sia nel numero che nelle proprietà caratteristiche degli esempi.
Una rete convoluzionale ?
A proposito, forse gli esperti possono aiutare. Ecco una domanda:
Il compito, per esempio, è distinguere un gatto da un cane da una foto. Qual è il modo giusto per imparare?
1. Mostra solo immagini di cani e gatti, cioè classificazione binaria.
2. Insegnare separatamente solo gatti e "non gatti" (protos chaos) + separatamente anche cani e "non cani", cioè due cicli di formazione e due modelli in uscita.
3. Fate una classifica di tre - gatti, cani e caos. Cioè ci sarà un modello, ma la risposta è una classificazione di tre opzioni.
In questo momento ho la prima opzione ed è chiaramente storta. Il problema è che il neuro impara bene solo una delle varianti, vede convenzionalmente bene solo i "gatti" e riconosce male i cani. Ad esempio, nei backtest i modelli sono bravi a rilevare un movimento di prezzo verso l'alto e ad ignorare un movimento verso il basso. Se l'indovinello verso l'alto arriva al 67%, lo stesso modello indovina solo il 55% verso il basso. "Su" e "giù" da modello a modello possono cambiare posto.
Ci sono due serie di punti, non ricordo come si chiamano questi punti, qualsiasi riconoscimento dalla foto è quello di identificare i punti degli occhi, del naso, della bocca, delle orecchie, della zona delle guance e la distanza e la posizione tra loro. È così semplice. Quindi, se si mostra solo un gatto, non è così. Prima bisogna allenarsi a riconoscere un gatto da un gatto, un cane da un cane, e solo dopo distinguere.
E sì, non solo 2 cicli, ma più in formazione se ci sono più di 2 classi
Il problema qui non è con le opzioni di classificazione, ma con lo sbilanciamento degli esempi per l'addestramento, sbilanciando sia il numero che le proprietà caratteristiche degli esempi.
Una rete convoluzionale ?
Gli esempi di apprendimento sbilanciati possono benissimo essere la causa, ma penso che si debba pasticciare con la funzione di attivazione. La risposta cade nel buco sbagliato, e ci sono molti buchi. Ho bisogno di imparare TensorBoard per il wizard, ma è un tale dolore...
In breve, non ho abbastanza conoscenze.
No, non la convoluzione, non mostro immagini reali).
Gli esempi di apprendimento sbilanciati possono benissimo essere la causa, ma penso che si debba pasticciare con la funzione di attivazione. La risposta cade nel buco sbagliato, e ci sono molti buchi. Ho bisogno di imparare TensorBoard per il wizard, ma è un tale dolore...
Non ne so abbastanza.