L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2761

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
In quegli articoli non ho visto alcuna selezione significativa delle caratteristiche. Significativa nel senso di non scegliere da un mucchio, ma di fare subito un chip-target di markup informativo. È possibile selezionare le caratteristiche target per qualsiasi caratteristica. Questo è impossibile con gli incrementi. Dovremo selezionare gli attributi target sotto gli attributi target.

Casuale è quando le operazioni vengono seminate da zero in tutte le direzioni con durate diverse e sognate a seconda del risultato.

"Significativo" - questo è secondo le immagini che ho dato, che fanno"markup informativo chip-target in una volta".

E cosa intende per "significativo"?

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

"Significativo" è dalle immagini che ho citato, che è ciò che rende"markup informativo un ficha-target in una volta"

E cosa intendi con la parola "significativo"?

Beh, se lo fanno subito, allora ok. Non me lo ricordo. Come si chiama l'articolo? Lo leggerò più tardi

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Beh, se lo fanno subito, va bene. Non me lo ricordo. Come si chiama l'articolo? Lo leggerò più tardi

Qui, di VLADIMIR PERERVENKO. Ha un ciclo completo di articoli che iniziano con il data mining. Il mio punto di vista coincide con lui per molti aspetti, tranne che per il modello stesso. Lo considero irragionevolmente complesso per le nostre esigenze.

[JeeyCi]

СанСаныч Фоменко # :

Il termine "significativo" è dato dalle immagini che ho dato, che rendono "il markup informativo mirato alla scheda in una sola volta".

L'immagine da qui https://www.mql5.com/ru/articles/3507 è così chiamata - Fig.12. Variazione e covarianza di un insieme di 2 treni

dalla covarianza alla correlazione è 1 passo.... (ma tu sei un genio e tutti si offendono - quindi cerca su Google).... successo a voi nel lucidare il vostro apparato concettuale ... una volta compreso il significato delle parole, lo pseudo-genio del tuo gergo e la falsità delle tue presunte argomentazioni si dissolveranno in un lampo... non puoi cambiare la logica con le tue urla.

-- In generale, il filo non è cambiato, ancora gole lacerate che cercano di proclamare il loro genio, inventando una bicicletta, - "pionieri" per così dire...

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

Qui, da VLADIMIR PERERVENKO. Ha un ciclo di articoli sistematicamente completo, a partire dal data mining. Il mio punto di vista coincide con lui per molti aspetti, tranne che per il modello stesso. Lo considero irragionevolmente complicato per le nostre esigenze.

Non ho visto alcun markup dell'obiettivo per attributi specifici. Prendiamo un incremento con un ritardo arbitrario. Sarà informativo solo per certi obiettivi e non informativo per altri.

Ho appena controllato quali attributi sono più adatti per obiettivi specifici.

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Non ho visto alcun markup dell'obiettivo per caratteristiche specifiche. Prendiamo un incremento con un ritardo arbitrario. Sarà informativo solo per alcuni obiettivi e non informativo per altri.

Ho appena controllato quali attributi sono più adatti per obiettivi specifici.

Non riesco a capire. Cosa significa markup?

Le coppie target-predicatore sono correlate e la coppia esiste proprio perché sono correlate. Ed è abbastanza difficile trovare tali coppie. Più forte è il legame, minore è l'errore di adattamento. Per un altro target, il problema del predittore è diverso.

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

Non lo capisco. Cosa significa marcatura?

La coppia target-predicatore è correlata e la coppia esiste proprio perché è correlata. Ed è abbastanza difficile trovare coppie di questo tipo. Più forte è il legame, minore è l'errore di adattamento. Per l'altro target, il problema del predittore è diverso.

Inizialmente i vostri segni non sono correlati ai segni target, perché i segni target sono segni di incremento, cioè segni privi di significato.

Poi, tra decine e centinaia di segni, si scelgono i più rilevanti per questi target. Questo è l'approccio più inefficiente, ma ha il suo posto.

Quindi si classificano cani e gatti, due classi. E in ingresso, come caratteristiche, si danno zoccoli di cammello, code di pesce, tette, cucchiaini, velocità della luce e così via. Certo, a volte ci si riesce, ma è molto difficile.

La situazione è complicata dal fatto che si confondono anche cani e gatti, perché i segni di incremento non sono un oggetto specifico che viene predetto, ma solo una piccola parte di esso, per esempio una zampa. E questa zampa può essere quella di un cane, ma sul momento la si vede come quella di un gatto.

Quindi, o c'è una ricerca bruta di tutto e di niente, o obiettivi intrinsecamente costruiti sulla base di tratti.

Prado, nel suo libro, ha fatto il primo tentativo di fare markup di classe attraverso la tripla barriera per distinguere le classi in modo più chiaro. Ma questo approccio mi sembra ancora ingenuo.

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:

Inizialmente, i vostri segni non appartengono ai segni target, perché i segni target sono segni di incremento, cioè segni privi di significato.

Poi, tra decine e centinaia di segni, si scelgono quelli più adatti agli obiettivi. Questo è l'approccio più inefficiente, ma ha il suo posto.

Quindi si classificano cani e gatti, due classi. E in ingresso, come caratteristiche, si danno zoccoli di cammello, code di pesce, tette, cucchiaini, velocità della luce e così via. Certo, a volte ci si riesce, ma è molto difficile.

La situazione è complicata dal fatto che si confondono anche cani e gatti, perché i segni di incremento non sono un oggetto specifico che viene predetto, ma solo una piccola parte di esso, per esempio una zampa. E questa zampa può essere quella di un cane, ma sul momento la si vede come quella di un gatto.

Quindi, o c'è una ricerca bruta di tutto e di niente, o obiettivi intrinsecamente costruiti sulla base di tratti.

Spero di sbagliarmi, ma la mia impressione è che i tratti non siano intesi allo stesso modo.

[Maxim Dmitrievsky]

Valeriy Yastremskiy #:
Spero di sbagliarmi, ma ho l'impressione che gli attributi non siano intesi allo stesso modo.

Le caratteristiche sono ciò che viene fornito all'ingresso del NS, mentre le etichette di classe vengono fornite all'uscita.

Una caratteristica dovrebbe rappresentare un'informazione parziale sull'oggetto da classificare, ecco perché è una caratteristica. Un segno distintivo, se vogliamo.

Per come la vedo io, finché non viene definito cosa viene classificato esattamente, tutti questi 100 modi fantasiosi di adattamento daranno lo stesso risultato.

[Ivan Butko]

Maxim Dmitrievsky #:
I tratti sono ciò che viene fornito all'input di NS, mentre le etichette di classe vengono fornite all'output.

Una caratteristica dovrebbe rappresentare un'informazione parziale sull'oggetto da classificare, ecco cos'è una caratteristica. Un segno distintivo, se vogliamo.

Per come la vedo io, finché non viene definito cosa esattamente viene classificato, tutti questi 100 modi fantasiosi di adattamento daranno lo stesso risultato.

Sono possibili segni indiretti? Ad esempio, cani e gatti spesso litigano, ma è più probabile che i cani inseguano i gatti. Ci vengono dati: due oggetti e i loro movimenti. Il compito: determinare quale dei due è un gatto e quale un cane, avendo verificato una volta con dati di fatto e in tempi successivi determinare autonomamente chi è chi. Sappiamo con certezza che uno dei due è un gatto e l'altro è un cane, ma non possiamo vedere la loro sagoma né sentirli, non possiamo nemmeno vedere le loro tracce, solo la coordinata del movimento. Diamo in pasto alla rete neurale il movimento degli oggetti avanti e indietro (ACQUISTO-VENDITA). Nel processo di "pensiero" e di moltiplicazione dei pesi, la rete neurale ci ha classificato che un oggetto corre sempre avanti e l'altro dietro (MA_5[0] > MA_10[0]), e ha fatto un'ipotesi: il cane sta andando avanti ora? L'ha verificata con i dati reali, ottenendo la risposta (NO), ha corretto i dati, ha ipotizzato che si trattasse di un gatto, l'ha verificata (SI). Ora la rete neurale sa come determinare chi è un gatto e chi è un cane in base alla lotta e al movimento degli oggetti. Allo stesso tempo, non gli sono state fornite zampe, peli, denti, abbai o miagolii.

Sembra cioè che alla rete neurale si possano dare in pasto molte cose e che essa trovi qualcosa e lo trovi in modo tale(Hercule Poirot) da dare la risposta necessaria. In questo caso, cioè, la caratteristica non rappresenta un'informazione parziale sull'oggetto da classificare, ma una soluzione è possibile.