L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2115
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 sovracampionamento non dà nulla finora, ma il "tomo" ha migliorato un po' il risultato - significa che c'è qualcosa nei dati, l'importante è scavare bene.
Istogramma dei modelli con diverse impostazioni di quantizzazione sul campione.
Crea un confine migliore tra le classi. Anche i dati dovrebbero esserlo, in modo che la separazione in classi sia chiara e gli esempi non si sovrappongano.
e so anche come farlo... un po' intelligente, ma non l'ho ancora fattorende migliore il confine tra le classi. Questo è anche il modo in cui i dati dovrebbero essere preparati - in modo che la divisione in classi sia chiara, gli esempi non si sovrappongano
e so anche come farlo... sono abbastanza intelligente, ma non l'ho ancora fattoMi chiedo come? Nel nostro campo, di solito le classi possono essere descritte come uniformemente miste.
rende migliore il confine tra le classi. Anche i dati dovrebbero essere preparati nello stesso modo - in modo che la divisione in classi sia chiara, gli esempi non si sovrappongano
e so anche come farlo... un po' furbo, ma non l'ho ancora fatto.Aggiungere il clustering al campionamento delle etichette. Clustering per gli stessi attributi, poi campionamento con i cluster. Le classi saranno separate, ma non è chiaro cosa succederà con i nuovi dati. Dovrebbe migliorare, in teoria.
Così ho coperto questa idea qui questa settimana :)
Suggerisco solo di diminuire il numero di classi principali.
Così ho coperto questa idea qui questa settimana :)
Suggerisco solo di ridurre il numero di classi principali.
non ho visto
Ci sono metodi/strumenti che possono farlo automaticamente?
Ci sono metodi/strumenti che possono farlo automaticamente?
Non so, devo vedere. Forse questo fine settimana darò un'occhiata.
Fammi sapere se lo trovi, altrimenti inizierò a costruire la mia moto :)
Elibrarius ha suggerito un'idea: basta costruire un albero ramificato e usarlo al posto del clustering, prendendo informazioni dalle foglie per ridurre la classe di maggioranza.
Futuri attuali - formazione completata nel 2018. Troppo bello.
Ed ecco lo stesso schema negli ultimi futures. Qui è più triste, ma sopportabile.
Ancora più vicino alla fine dell'allenamento vediamo i futuri. Ed è qui che sta il problema.
E non capisco cosa stia succedendo - sembrerebbe che più ci si avvicina alla fine dell'allenamento, migliori dovrebbero essere i risultati, ma è il contrario - un'anomalia!
La risposta sembra risiedere nella tendenza stessa - futures attuali senza MO
Ultimo
e anche
Oh, questo è MO!?