L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3029
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
Nel contesto a cui mi riferisco, una valutazione frammentaria di un intervallo di dati al fine di identificare un pezzo (segmento quantistico) la cui probabilità di appartenere a una delle classi è superiore di x per cento rispetto alla media dell'intero intervallo.
Che cos'è la quantizzazione?)
Tempo fa c'era un codice di catbust.
Nel contesto che ho citato, si tratta di una valutazione frammentaria di un intervallo di dati al fine di identificare un pezzo (segmento quantistico) la cui probabilità di appartenere a una delle classi è superiore di x per cento rispetto alla media dell'intero intervallo.
Tempo fa c'è stato un codice da parte di catbusta.
Guardatelo e capirete cosa sta succedendo.
Tempo fa c'è stato un codice da parte di catbusta.
È complicato. Ordina la colonna e la divide in 32 parti, per esempio, se ci sono duplicati, allora tutti vengono gettati nel quantum. Se la colonna ha solo 0 e 1, allora ci saranno 2 quanti, non 32 (perché ci sono duplicati).Come va la spinta e la massimizzazione dei profitti?
Non ho avuto fortuna finora, soprattutto per il bousting) Ha bisogno di levigatezza, in modo che ci siano gradiente ed hessian. Il profitto non sarà così, quindi bisogna pensare a come smussarlo.
La variante locale dell'albero singolo, di cui ho scritto qui di recente, è sufficiente per ora.
Nel contesto che ho citato - una valutazione frammentaria di un intervallo di dati per identificare un pezzo (segmento quantico) la cui probabilità di appartenere a una delle classi è superiore dell'x per cento rispetto alla media dell'intero intervallo.
In sostanza, si scopre che un albero viene costruito separatamente su ciascun predittore.
Per ora non c'è modo, soprattutto per il bousting). È necessaria la levigatezza, quindi è necessario il gradiente e l'hessian. Il profitto non sarà così, quindi dobbiamo pensare a come smussarlo.
La variante locale dell'albero singolo, di cui ho scritto qui di recente, è sufficiente per ora.
Avete guardato il video, quello di cui vi ho dato il link?
L'uomo stava parlando di come convertire un albero non liscio in uno liscio tramite RL.
La saggezza popolare dice che non si può vedere la foresta per gli alberi. Mi chiedo se si possa vedere un albero raccogliendo le foglie. Non sto chiedendo della foresta.
È l'unico algoritmo che conosce? O è il più efficiente? Perché si è fissato su di esso?
È un pensiero passeggero.
Buona fortuna
La domanda è abbastanza pertinente. Per me, la risposta è più o meno che se i predittori sono omogenei (ad esempio, i pixel di un'immagine o le ultime N candele), allora la forma delle classi può essere arbitraria, quindi le regole non sono molto appropriate. Se i predittori sono eterogenei (ad esempio, prezzo e tempo), è più probabile che le classi abbiano una forma rettangolare data dalle regole.
Naturalmente, non c'è una chiara giustificazione per questo, ma solo un'ipotesi.
Hai guardato il video, quello che ho linkato?
Lì l'uomo stava solo parlando di come convertire il non liscio in liscio tramite RL.
Si tratta di una matematica diversa, credo. Non riesco a spiegarlo bene perché non lo capisco bene nemmeno io. Nel bousting si tratta del gradiente della funzione, mentre nel video si tratta del solito gradiente dei pesi della rete.
Intervallo di dati o di valori della scheda?
L'intervallo di valori del predittore che descrive i dati.
Ho praticamente descritto l'algoritmoqui - c'è un'immagine con l'RSI.