L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2830
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
è meglio che tu stia zitto, sembrerai molto più intelligente o almeno più educato.
Dovreste studiare il database BASE!!!!
Cos'è l'ottimizzazione locale, l'ottimizzazione globale, i tipi di funzioni, i tipi di ottimizzazione, i tipi di ottimizzazione, che tipo di ottimizzazione applicare a quale funzione, ecc....
Ottimizzazione discreta, ottimizzazione continua, multicriteri, ecc... qual è la differenza, qual è lo scopo, dove applicarne una e non applicarne un'altra....
Non conoscete le cose fondamentali!!!
Perché dovrei tacere se ho qualcosa da dire sull'argomento, non sono una persona non stupida che vuole solo dire qualcosa.
Vi è stato suggerito di testare l'apprendimento/ottimizzazione su alcune funzioni rappresentative, questa è una buona pratica.
Se pensate che le reti neurali lo facciano perfettamente, probabilmente vi sbagliate.
C'è una percezione specifica, a livello di kargo-cult e di credenza nella R divina, che porta i doni della civiltà.
Ho sempre più fiducia nei professionisti che passano tutta la vita a occuparsi di un solo problema, in questo caso l'ottimizzazione e, in particolare, la discesa del gradiente.
E il segno principale dei dilettanti è quello di parlare male dei professionisti. R è un linguaggio professionale, il punto di riferimento della statistica di oggi. È ora di impararlo, invece di scrivere ogni sorta di stronzate su "fede e kargo-cult".
Ho sempre più fiducia nei professionisti che hanno passato tutta la vita a lavorare sullo stesso problema, in questo caso l'ottimizzazione e in particolare la discesa del gradiente.
Il segno principale dei dilettanti è quello di parlare male dei professionisti. R è un linguaggio professionale, il punto di riferimento della statistica di oggi. È ora di impararlo, e non di scrivere ogni sorta di stronzate su "fede e kargo-cult".
1. lei crede certamente nei professionisti, ma non ne ha nominato nemmeno uno, né ha fornito un elenco di opere su questo tema
1. La domanda di Dick è perfettamente valida e corretta. Non uso NS, ma so per certo che ogni funzione in qualsiasi pacchetto R contiene necessariamente un riferimento all'autore dell'algoritmo e, per gli algoritmi seri, un riferimento all'articolo/libro che descrive l'algoritmo implementato in R. Dato che conoscete bene i NS, se utilizzaste R, potreste cercare in R il tipo di NS corrispondente e trovare il riferimento corrispondente in cui è descritto l'algoritmo corrispondente, trovare una discussione sull'algoritmo, scoprire tutte le sfumature dei professionisti... e rispondere a Dick al massimo livello professionale, invece di borbottare qualcosa di osceno.
2. R di nome: il linguaggio delle statistiche e della grafica. L'essenza di R è rivelata dalla rubrica del suo apparato di riferimento.
Ecco un elenco di argomenti che i pacchetti R trattano. Uno degli argomenti è l'apprendimento automatico.
Ecco un elenco di pacchetti relativi al MO.
Fino a qualche anno fa, si potevano trovare concorrenti di R tra gli altri linguaggi statistici specializzati. Ad esempio, SPPS, ad oggi non ne ho trovati. R è rimasto l'unico linguaggio statistico, è supportato e moderato, ha un numero enorme di mirror, è incluso nel software Microsoft.
3. Il confronto tra R e Python è assolutamente sbagliato.
R è un linguaggio specializzato. Python è un linguaggio universale. Python supera di gran lunga R per numero di utenti, ma l'utente di massa di Python è il web design. Il fatto che Python disponga di pacchetti statistici NON consente di classificarlo come linguaggio statistico. Su questa base, il C++, in cui sono implementati i pacchetti utilizzati sia da R che da Python, può essere classificato come linguaggio statistico. Grazie alle sue rubriche dettagliate e ai riferimenti agli algoritmi delle funzioni proposte, R può essere utilizzato per studiare la teoria e la pratica della statistica, mentre Python no.
Non ho studiato la questione in dettaglio. L'idea sembra essere semplice, ma ci sono molte sottigliezze tecniche nelle modalità di implementazione.
Esiste una ricerca completa e un'ottimizzazione. È necessario ridurre il tempo per trovare una soluzione ottimale. Essendo così, si tratta sempre di un compromesso. È possibile ottimizzare con il metodo del gradiente stocastico e ottenere un risultato migliore rispetto a quello ottenuto con Adam, ma sacrificando il tempo. E bisogna scegliere. Per alcuni compiti, la precisione può essere più importante della velocità, ad esempio per aumentare l'aspettativa di TC.
.
Una domanda importante è cosa ottimizzare. Vorrei ottimizzare criteri significativi legati al profitto, al drawdown, alla volatilità, ecc.
L'overshoot completo è il modo migliore per ottimizzare) Purtroppo non sempre applicabile).
Una domanda importante è cosa ottimizzare. Vorrei ottimizzare criteri significativi legati al profitto, al drawdown, alla volatilità, ecc.
L'overshoot completo è il modo migliore per ottimizzare) Purtroppo non è sempre applicabile).
Cito lo slogan "combatti e cerca - trova e nascondi".
impostare come metrica personalizzata qualsiasi criterio, in particolare quelli standard. Ottimizzerà comunque in base al logloss, ma si fermerà a questi criteri personalizzati, il che probabilmente ha un certo senso
e in effetti è così, perché l'arresto nello stesso bousting si basa sempre su qualche criterio di calco come l'accuratezza.