L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3251
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
E quindi, solo una controreplica.
La correlazione NON ha bisogno di normalizzazione, non è una distanza euclidea, la normalizzazione è già incorporata nella correlazione.
Il 3980 ha implementato i metodi Conjugate per i tipi complex, vector<complex> e matrix<complex>. Eseguono la coniugazione per i numeri complessi.
Grazie!
Grazie, insegnante.
Se ci sono molte dimensioni (caratteristiche), anche più di 5, NON vale la pena cercare la vicinanza diretta tra le linee, è meglio ridurre la dimensionalità.
Due nemici: il sovrallenamento e il guardare avanti.
È stato scritto molto sul sovrallenamento: il modello è troppo "simile" alla serie originale. Tutti lo conoscono, perché l'overtraining è un risultato comune dei tester.
Che cos'è il "guardare avanti"?
È corretto dire che questo è il compito principale del Ministero della Difesa?
La situazione è come quella della fisica moderna: vuoi cavalcare o guidare? Una volta la fisica cercava di capire come funziona il mondo, ma ora non fa altro che allungare formule sui dati, inventare entità virtuali, nessuno capisce niente, tutto è molto complicato.
Nell'elaborazione dei dati, la situazione è la stessa. In passato si prendeva un problema, si cercava di capirlo, poi si scriveva un algoritmo a mano, si ottimizzavano i calcoli. Per semplificare il compito, alcune relazioni venivano trascurate, altre venivano ridotte a una forma lineare. Quando si disponeva di potenza e dati sufficienti, la soluzione del problema veniva trasferita a un ottimizzatore (in modo approssimativo, come in un tester MT), che seleziona i coefficienti di alcuni polinomi. Nessuno capisce come viene calcolato, non c'è piena fiducia nel risultato, ma questo approccio è in grado di tenere conto di relazioni non lineari e non ovvie, accelerando alcuni calcoli scientifici di ordini di grandezza.
Quando la soluzione è ovvia, si dovrebbe utilizzare l'approccio classico. Ma in condizioni di grande incertezza, il MO non è una panacea (ecco perché nei captcha si aggiunge il rumore alle immagini).
Se ci sono molte dimensioni (attributi), anche più di 5, NON vale la pena cercare la vicinanza diretta tra le righe, è meglio ridurre la dimensionalità.
1 valore di ogni caratteristica non è sufficiente
.
dove ho detto che un valore?
e dove ho detto che un valore?
Sto dicendo che
quando si riduce una dimensione, nessuno si riduce a una sola dimensione, è possibile, ma non lo si fa.
Ho detto
Utilizzi la convoluzione o i predittori nudi e crudi che girano per la storia?