L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3028

 
Aleksey Vyazmikin #:

Esatto.

È quello che avresti dovuto dire fin dall'inizio.

Invece di tre parole comprensibili, 100 concetti incomprensibili.

Sei seduto lì a chiederti di cosa diavolo stai parlando.
 
Maxim Dmitrievsky #:

convoluzioni, nuclei convoluzionali

trasformazione convoluzionale del kernel

Capito. Ma qualcosa nell'immaginazione non disegna come possano essere collegati alla quantizzazione per essere reciprocamente sostituiti. La storia è piuttosto tirata su da loro. Ho intenzione di provare più tardi.

 
mytarmailS #:
Avresti dovuto dirlo subito.

Invece di tre parole comprensibili, avete 100 concetti incomprensibili.

Sei seduto lì a chiederti di cosa diavolo stai parlando.

Non so come essere più specifico: credo che Maxim abbia capito.

"In forma binaria. La colonna è il numero della regola e il valore è "1" - la regola ha funzionato e "0" - la regola non ha funzionato. Bene, e l'obiettivo come nel campione principale. "

 
Aleksey Vyazmikin #:

Capito. Ma qualcosa nell'immaginazione non disegna affatto come possano essere collegati alla quantizzazione, che sarebbe reciprocamente sostituita. È più come se la storia venisse tirata su da loro. Ho intenzione di provarli più tardi.

studio

https://www.arxiv-vanity.com/papers/1910.13051/

https://www.youtube.com/watch?v=1BRYrnvMhyI


L'articolo contiene molti riferimenti ad altri metodi all'avanguardia di classificazione delle serie temporali, metodi di estrazione di segnali e modelli.

Non si parla di inefficienze, ma si tratta, come si suol dire, di compiti a casa.

ROCKET: Exceptionally fast and accurate time series classification using random convolutional kernels
ROCKET: Exceptionally fast and accurate time series classification using random convolutional kernels
  • www.arxiv-vanity.com
Most methods for time series classification that attain state-of-the-art accuracy have high computational complexity, requiring significant training time even for smaller datasets, and are intractable for larger datasets. Additionally, many existing methods focus on a single type of feature such as shape or frequency. Building on the recent...
 
Aleksey Nikolayev #:

Beh, non riesco ancora a capire come implementare la massimizzazione dei profitti nello stesso bousting, per esempio.

Naturalmente sto facendo qualcosa, ma mi piacerebbe sentire altre opinioni informative sull'argomento.

Come te la cavi con il boosting e la massimizzazione dei profitti?

 
Maxim Dmitrievsky #:

studio

https://www.arxiv-vanity.com/papers/1910.13051/

https://www.youtube.com/watch?v=1BRYrnvMhyI


L'articolo contiene molti riferimenti ad altri metodi all'avanguardia per la classificazione delle serie temporali e per l'estrazione di segnali e modelli.

Non si parla di inefficienze, ma si tratta, come si suol dire, di compiti a casa.

Sì, la teoria della creazione è chiara. C'è una questione di razionalità nella mia mente, e la generazione di diverse varianti. Il piano è di creare un generatore e un tester con quantizzazione per valutare l'efficienza di ogni istanza del kernel di convoluzione. In seguito, il primo compito prioritario è la previsione della deriva dei dati in un particolare predittore. Senza la soluzione di questo compito, il mio interesse per tutto cade.

 
Aleksey Vyazmikin #:

La teoria della creazione è abbastanza chiara. Per me è una questione di razionalità e di generazione di diverse varianti. Secondo il piano, realizzerò un generatore e un tester con quantizzazione per valutare l'efficienza di ogni istanza del kernel di convoluzione. In seguito - il primo compito prioritario - la previsione della deriva dei dati in un particolare predittore. Senza la soluzione di questo problema, il mio interesse per tutto cade.

La "quantizzazione" mette in evidenza alcune proprietà della scheda, per come la intendo io. La convoluzione fa la stessa cosa. Risulta essere molto "burrosa".
 
Maxim Dmitrievsky #:
La "quantizzazione" mette in evidenza alcune proprietà della scheda, a quanto mi risulta. Una convoluzione fa la stessa cosa. Risulta essere un'operazione burrosa.

La riconciliazione su serie temporali aggrega informazioni sui valori passati dei predittori (è possibile prendere quelli che erano nel campione e quelli che non lo erano), e la quantizzazione valuta il successo di questa azione.

 
Aleksey Vyazmikin #:

La convoluzione delle serie temporali aggrega informazioni sui valori passati dei predittori (è possibile prendere quelli che erano nel campione e quelli che non lo erano) e la quantizzazione valuta il successo di questa azione.

Che cos'è la quantizzazione)?
 
Maxim Dmitrievsky #:
Che cos'è la quantizzazione?)

Nel contesto a cui mi riferisco, si tratta di una valutazione frammentaria di una serie di dati al fine di identificare un pezzo (segmento quantistico) la cui probabilità di appartenere a una delle classi è superiore dell'x per cento rispetto alla media dell'intero intervallo.