L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3305
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
Non molto tempo fa sul forum qualcuno ha dato il nome dell'effetto (non l'ho ancora trovato), a causa del quale le serie vicine a SB sembrano avere un periodo. Questo effetto è associato a un sacco di momenti vergognosi nella scienza, quando per mezzo di Fourier si "trovava" la periodicità nei processi, e i radioamatori per questo motivo sul forum non sopravvivranno mai).
Invarianza di scala?
Effetto moire :)
L'invarianza di scala, a quanto pare, può essere descritta in questo modo, e non sarà oggetto di ricerca dei radioamatori. Solo senza Fourier, ma con periodi di mercato come l'ora e il giorno, che descrivono attività diverse.
Invarianza di scala?
Effetto moiré :)
Un buon documento su come eseguire correttamente la rappresentazione BP per le reti neurali. Naturalmente è possibile eliminare le FFT. E un ulteriore confronto tra diversi modelli.
La differenza fondamentale è che la preelaborazione è integrata nell'architettura della rete. Ma può essere eseguita separatamente.
LSTM rimane in secondo piano, perché non tiene conto delle variazioni interperiodali.
Anche il boosting si trova in fondo alla classifica, in base ai loro test.Si ritiene che il maggior numero di applicazioni della MO, indipendentemente dallo strumento, riguardi aree in cui esiste una relazione "naturale" tra insegnante e predittori. Ad esempio, le previsioni del tempo: temperatura, umidità...
Noi, invece, siamo seduti qui e ci scervelliamo per trovare dei predittori che sono frutto della nostra immaginazione e per qualche motivo vogliamo che prevedano gli ordini commerciali.
Quindi tutte le pubblicazioni con predittori "naturali" non sono di nostro interesse. Purtroppo.
Come si dimostra il contrario?
A mio avviso, ci sono eventi legati al tempo - le stesse notizie. Credo che se dividiamo in tre sottocampioni - atteso, peggiore, migliore e teniamo conto del contesto, noteremo un comportamento simile degli operatori di mercato.
Un'altra opzione è la stagionalità dei beni.
Che cos'è esattamente?
Si ritiene che il maggior numero di applicazioni della MO, indipendentemente dallo strumento, riguardi settori in cui esiste una relazione "naturale" tra insegnante e predittori. Ad esempio, le previsioni del tempo: temperatura, umidità ...
Noi stiamo qui a scaccolarci e a proporre predittori che sono frutto della nostra immaginazione e per qualche motivo vogliamo che prevedano gli ordini di compravendita.
Quindi tutte le pubblicazioni con predittori "naturali" non sono di nostro interesse. Purtroppo.
Beh, questo è solo un aspetto dell'alimentazione del modello con i tratti, che sembra logico. Quello che poi se ne fa è ovviamente una questione esoterica.
Per esempio, questo approccio consente di racchiudere più storie in un campioneNo) Slutsky-Yula, ho trovato il post. Credo che siano stati trovati altri effetti simili, ma non ricordo esattamente. Almeno ora è accettato che si faccia attenzione alla periodicità apparente, anche se ovviamente i radioamatori locali non si preoccupano di tutto questo).
Beh, perché no.
Ci sono processi economici con una periodicità apparente, non speculativa. Il raccolto, per esempio. E ci sono molti processi di questo tipo. Esistono modelli in cui la periodicità è uno dei parametri.
Un'altra cosa è che è necessario separare la periodicità esistente nella realtà dalla periodicità aspirata con l'aiuto di alcuni Fourier, che sono fioriti al Forex. Circa 10 anni fa, non c'era carenza di ingegneri radiofonici. Un numero enorme di persone non capisce che una proprietà molto importante di qualsiasi modello matematico dovrebbe essere la sua interpretabilità, la possibilità di confrontare questi o quei parametri e proprietà del modello con la realtà. E quando, vedendo onde evidenti su grafici con periodicità variabile, iniziamo a inventare alcune richieste-suggerimenti, di cui non si conosce la provenienza, il risultato è corrispondente.
Beh, questo è solo un aspetto dell'alimentazione del modello con i segni, che sembra logico. Quello che poi se ne fa è ovviamente una questione esoterica.
Per esempio, questo approccio consente di racchiudere più storie in un singolo campione.Da noi, la spazzatura in entrata è spazzatura in uscita, e la maggior parte delle persone NON ha spazzatura in entrata.
Da noi l'immondizia entra e l'immondizia esce, e la maggior parte delle persone NON ha l'immondizia fuori.
È necessario un algoritmo per vagabondi che scavi tra i rifiuti.
"From Dirt to Dukes", si potrebbe definire una serie di articoli.
Sembra un luogo comune e sembra intuitivamente ovvio che un apprendimento più attento produca un passaggio dalla generalizzazione alla memorizzazione di un particolare campione.
Per quanto mi riguarda, lo spiego con il fatto che se si utilizzano modelli con un numero crescente di parametri (albero decisionale, per esempio), un numero maggiore di iterazioni porta semplicemente a un aumento del numero di parametri. Con modelli con un numero fisso di parametri è più complicato, ma probabilmente possiamo dire che con l'aumento delle iterazioni lo spazio dei parametri viene "usato di più".
Per dirla ancora più semplicemente, aumenta il numero di opzioni tra cui scegliere ed è più facile scegliere ciò che serve. Ad esempio, la variante più tracciabile di SB quando si sceglie tra 1000 delle sue varianti sarà più di tendenza rispetto a quando si sceglie tra 100 varianti.
PS. Si tratta di questo