L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2567
![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Non sono interessato al cofanetto in sé. Mi interessa la capacità del predittore di prevedere l'insegnante. Per me il più grande errore della grande maggioranza dei commercianti è cercare di risolvere i problemi del kotir stesso. E abbiamo bisogno della previsione dell'insegnante. Questo è un problema completamente diverso.
Se i predittori e le risposte sono chiaramente formalizzati, allora probabilmente non c'è bisogno di un modello di prezzo. Se vengono cercati e costruiti, un modello di prezzo è utile.
Se i predittori e le risposte sono chiaramente formalizzati, probabilmente non c'è bisogno di un modello di prezzo. Se vengono cercati e costruiti, allora un modello di prezzo è utile.
Il modello di mercato futuro si forma sempre a partire dal passato. Il passato forma il modello futuro a seconda del passato e dello stato attuale dell'economia e della politica mondiale.
Lo stato attuale dell'economia è il primo fattore nella direzione della componente valutaria. L'influenza delle parole delle PRIME persone importanti non è in dubbio per quanto riguarda l'impatto sui tassi di cambio.
Sembra bello nel tester quando i dati sono pronti.
P.s. Qual è il senso di tutto questo post?
Uno degli indicatori più importanti dell'impatto sul mercato valutario sono le notizie di cui non abbiamo ancora sentito parlare. Dati storici + notizie attuali formeranno un nuovo modello, ma sarà diverso da quello assunto nel MO.
Cioè l'impasse sarà sempre altrove.
https://youtu.be/KxDZZjM6ltI
Beh, se sta andando nell'antichità, avrebbe dovuto iniziare con Aristotele e il suo concetto di essenza.
Beh, se sta andando indietro nel tempo, avrebbe dovuto iniziare con Aristotele e il suo concetto di essenza.
Hai guardato tutto?
Quasi. Per definizione intende quella che viene comunemente chiamata "definizione nominale". Esiste anche la "definizione reale" o essenza secondo Aristotele.
Quasi. Una definizione è quella che lui chiama "definizione nominale". C'è anche la "definizione reale" o definizione di essenza secondo Aristotele.
È davvero questa la cosa più importante che hai scelto da tutta la lezione?
Cosa, nel ragionamento, potrebbe essere più importante del loro punto di partenza?)
I concetti di contesto e di semantica sono noti da molto tempo, così come la loro complessità e multistrato.
Per quanto riguarda gli algoritmi MO - sembra che si tratti solo di un'altra complicazione nell'architettura delle reti che sono già abbastanza complesse per ottenere il retraining)
Le interpretazioni della mitologia non sono poco interessanti, ma non c'è nemmeno nulla di originale.
Per quanto riguarda gli algoritmi MO - apparentemente tutto si riduce a un'altra complicazione nell'architettura di rete
Infatti, se si guarda il problema in modo fondamentale, la risposta diventa molto più semplice.
Se avete dati di input che hanno a che fare con l'obiettivo, allora qualsiasi macchina NS farà il lavoro. E più accurati sono i dati di input che descrivono l'obiettivo, migliore è il risultato di apprendimento della rete, più lungo è il periodo del suo funzionamento con qualità costante, ecc.
Cioè, l'essenza del lavoro nel campo della MI non è nella ricerca infinita di architetture NS, metodi di formazione e altri espedienti per esso, ma nella SELEZIONE di AI abbastanza funzionante e la ricerca infinita di dati di input per risultati ancora migliori di formazione e lavoro del modello nel suo complesso.
Questo è ciò che è all'opera nell'apprendimento automatico. Scegliere un sistema di intelligenza artificiale (non solo un NS, ma un AI) e lavorare con il sistema scelto per trovare i migliori input per la funzione obiettivo specificata. A volte alcuni dati funzionano, a volte altri costruiti su trasformazioni diametrali, ma metà dell'anno la differenza funziona, metà dell'anno la media funziona e bisogna essere in grado di adattarsi a questo ahimè.
Altrimenti: se non c'è nessuna relazione informativa tra i dati di input e di output nel sistema, allora nessun sistema di IA può costruire una legge descrittiva tra input e output e quindi tutti i modelli proposti avranno un funzionamento casuale o meno, poiché non esiste in principio nessuna legge REALE tra input e output!