L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3191
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
Volevo leggere qualcosa sull'apprendimento automatico, e qui ci sono umoristi che affinano le loro capacità.
Mi piacerebbe vedere altrove battute umoristiche e altre cose non correlate all'argomento.
Ora torniamo all'argomento.
Lei scrive che ritiene che il mercato sia casuale, su cosa si basa questa affermazione?
Ha qualche base solida per dimostrare la casualità del movimento dei prezzi di mercato?
A cosa servivano allora le tue numerose gif con saldi in costante aumento? Forse non hai capito la risposta alla tua domanda?
Le gif sono per me una nuova variante dello sviluppo dell'uso dei quantum cutoff, che ho descritto. Ho dimostrato che 10 quantum cutoff per un particolare campione sono sufficienti anche per ottenere un bilancio positivo su un campione di allenamento. E, di conseguenza, ho detto che la selezione casuale del primo segmento quantico (tra quelli precedentemente selezionati) permette di trovare la sequenza in cui il bilancio mostra una crescita positiva sui campioni di prova e di esame. Di conseguenza, ci sono segmenti quantici che sono efficaci solo sul campione del treno, e ci sono quelli che sono efficaci anche su altri campioni. E, se hanno un comportamento così diverso, probabilmente alcuni di essi descrivono un modello stabile, mentre altri ne descrivono uno falso. La domanda era quindi se fosse possibile, nella fase di ricerca/creazione di questi segmenti quantistici, selezionare quelli falsi. È chiaro che i criteri da me utilizzati non sono sufficienti a filtrare i segmenti quantici falsi. L'idea di confondere il bersaglio serve essenzialmente come test per valutare la probabilità di selezionare i segmenti quantici sull'SB.
Per questo non capisco: ho selezionato segmenti quantici su un bersaglio posizionato in modo casuale e ora devo costruire un equilibrio? Nello stesso modo, ma senza randomizzazione, che ho mostrato nelle gif?
È solo che il modo stesso di selezionare una sequenza di segmenti quantici da quelli che ho precedentemente selezionato nel campione non è considerato completo, ma piuttosto mostra il potenziale della possibilità.
Per questo non capisco perché e come valutare attraverso l'equilibrio.
L'entropia media in questo caso sarà espressa come un numero pari al logaritmo del numero di percorsi possibili. Questo numero può essere qualsiasi valore positivo, a seconda del numero di passi e della lunghezza di ogni passo di vagabondaggio. Per esempio, se si verifica un'erranza casuale su un asse di numeri con lunghezza del passo 1 e numero di passi 10, il numero di percorsi possibili sarà 2^10 = 1024, e l'entropia media sarà pari al logaritmo di 1024, cioè circa 6,93.
Per un certo numero di citazioni, i numeri erano in media paragonabili a quelli di sb.
Al momento, se ricordo bene, il predittore nell'albero colpisce solo la metà dell'intervallo, senza cercare il punto migliore per dividere?
Per omissione, di solito viene diviso a metà. Nella foresta di Alglibow c'era un'opzione che permetteva di dividere per quattro. Ho esteso l'opzione di dividere in qualsiasi incremento. Non conosco catbusta, ma la cosa è semplice, dovrebbe esserlo. Cutbust ha una ricerca di spaccature in un punto casuale.
Su OOS di solito i modelli migliori si ottengono quando si divide per metà. Si riqualifica molto rapidamente quando il passo è piccolo.
Da un punto di vista informativo il mercato è casuale se si confronta la quantità di informazioni in Sb e nelle quotazioni. Ho fatto un confronto diversi anni fa. Da un punto di vista profano - il mercato cambia, i modelli cambiano nel tempo.
Se vi vengono forniti dei dati che registrano i flussi di turbolenza da un'ala di un aereo e il vostro test dimostra che è casuale (e lo sarà)
Questi dati possono essere considerati casuali?
Se vi vengono forniti dati che registrano flussi turbolenti dall'ala di un aeroplano e il vostro test dimostra che sono casuali (e lo saranno)
Quei dati possono essere considerati casuali?
L'entropia media in questo caso sarà espressa come un numero pari al logaritmo del numero di percorsi possibili. Questo numero può essere qualsiasi valore positivo, a seconda del numero di passi e della lunghezza di ogni passo di vagabondaggio. Per esempio, se si verifica un'erranza casuale su un asse di numeri con lunghezza del passo 1 e numero di passi 10, il numero di percorsi possibili sarà 2^10 = 1024, e l'entropia media sarà pari al logaritmo di 1024, cioè circa 6,93.
Per un certo numero di citazioni, i numeri erano in media paragonabili a quelli di sb.
Per esperienza personale.
Non può essere un caso, visto che mi sono rimaste molte immagini simili.
Il mercato non è casuale, questo è inequivocabile.)
Per esperienza personale.
Non può essere un caso, dato che mi sono rimaste molte immagini simili.
In silenzio viene solitamente divisa a metà. Nella foresta di Alglibov esisteva una variante della divisione per 4. Ho esteso la possibilità di dividere in qualsiasi incremento. Non so come faccia katbusta, ma la cosa è semplice, dovrebbe esserlo. Cutbust ha una ricerca delle divisioni in un punto casuale.
Su OOS di solito i modelli migliori si ottengono quando si divide per metà. Si riqualifica molto rapidamente quando il passo è piccolo.
Con katbusta - per tabella quantistica è un overfitting :)
Forse si può provare a implementare la tabella allo stesso tempo per la compatibilità?
Ho allegato un file secondo lo standard di CatBoost - la prima colonna è il numero del predittore e la seconda colonna è la divisione.
Per esperienza personale.
Non può essere un caso, perché mi sono rimaste molte immagini simili.
Il mercato non è casuale, questo è certo).
Oooh . sì, volevo fare questo esempio molte volte, ma mi è sempre sfuggito.