L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1329
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
Si può fare lo stesso senza un insegnante. Non vedo alcuna differenza in questo.
Immaginate un mucchio di neuroni che imparano e risolvono un problema che si risolve con un paio o tre dichiarazioni if... Il cervello NS è solo pieno di questa merda, e invece di pensare al bello....))
Ho capito, si chiama conoscenza a priori, competenza incorporata, ma non si fa un controllo incrociato con un modello perché si è sicuri al 100%
Non ho alcuna conoscenza di un processo casuale, tranne che è casuale e un paio di altre credenze minoriHo capito, si chiama conoscenza a priori, giudizio esperto incorporato, ma non si fa un controllo incrociato con un modello perché si è sicuri al 100%
Sì, è esattamente così. È praticamente assiomatico - perché controllarlo. Conosciamo a priori una parte della soluzione - non meditiamo sul mercato per niente).
Di nuovo, stiamo parlando di approcci diversi
Tu insegni con un insegnante perché cominci dall'inizio, io insegno senza un insegnante.
Mi ricordo. Approcci diversi, ovviamente. Di nuovo, in questo (con un insegnante) non vedo alcuna controindicazione. Tutto è fattibile, se il desiderio, se appare naturalmente.
A meno che tu non abbia RNN senza un insegnante, qui tutto è più complicato, e proprio non so, non ho usato. A proposito, cosa usate? Avrebbe potuto dire, ma scavare nell'argomento...
Mi ricordo. Approcci diversi, ovviamente. Ancora una volta, non vedo contraddizioni in questo (con un insegnante). Tutto è fattibile, se si ha la volontà, naturalmente.
A meno che tu non abbia RNN senza un insegnante, qui tutto è più complicato, e proprio non so, non ho usato. A proposito, cosa usate? Avrebbe potuto dire, ma scavare nell'argomento...
un sacco di cose, non ancora abbastanza RNN )) lo farò più tardi
ci sono alcuni articoli sulle basi, ma sono naturalmente andati avanti
Ho un sacco di roba, non ne ho ancora abbastanza )) Lo farò più tardi.
ci sono articoli sulle basi, ma ovviamente sono già andato oltre.
A un incrocio - andrai a destra... ecc. Tensorflow, ottime funzionalità, ma si dice molto macchinoso. Finora ho solo letto i documenti. Non usato?
A un incrocio, si va a destra... ecc. Tensorflow, ottime funzionalità, ma si dice che sia molto macchinoso. Finora ho solo letto i documenti. Non l'hai usato?
tf è di basso livello, è messo sopra theano, usate tf.theano, è più semplice.
Ho visto diversi esempi, ma non ho ancora fatto alcuno sviluppo
la versione 2 è in arrivo, già disponibile sul sito web, semplifica la creazione di modelliè tf un basso livello, sopra theano, usa tf.theano, allora è più facile
Ho guardato vari esempi, ma non ho ancora sviluppato nulla.
In termini di velocità. Penso che potrei fermarmi a scikit-learn per ora, CHEZ. Le MLP non sono male lì.
In termini di velocità. Penso che per ora mi atterrò a scikit-learn, CEZ. Le MLP non sono male lì.
Non lo so, non credo.
ci sono molti pacchetti là fuori, io cerco di imparare solo quelli più popolari e in evoluzione.
Sklearn è un guazzabuglio di roba.
tf è più un costruttore della propria architettura.
NS non ama davvero lo scaling. È addestrato nel range di prezzo di 100-120, se il prezzo va fuori dal range, è così, abortisci. Divido semplicemente tutto ciò che è legato al prezzo per il prezzo stesso, sottraggo uno, e poi uso i coefficienti per guidare le variabili nella gamma dinamica desiderata.
Quindi in entrambi i casi abbiamo bisogno di preprocessare i dati per ottenere una metrica accettabile. Uso il mio ATR dal TF superiore e il posizionamento del prezzo in esso. Ottengo domino con tacche per livelli, al prezzo viene assegnato un numero di livello Fibonacci.
Modelli finiti di elaborazione, seme 201 a 401 - tutto il resto invariato.
Tabella con i risultati del punteggio di equilibrio
Tabella con indicatori metrici
Tabella con il numero di modelli che soddisfano i criteri di selezione nel campione indipendente
Tabella con il numero di modelli corrispondenti al criterio di selezione in tutti e tre i campioni
Grafici di modelli (gif per lo più)
30%
40%
50%
60%
La tendenza sembra essere per lo più invariata per tutte le metriche, sotto ci sono le tabelle delta - così come sono, per confrontare i cambiamenti
Per gli indicatori metrici la differenza è minima
Dai dati raccolti possiamo concludere che la tendenza è rimasta generalmente la stessa.
Quello che mi lascia più perplesso è un'altra domanda - perché i grafici sono molto simili per diversi modelli su diversi campioni? Sembra che il modello riesca a catturare qualche modello apparente che appare con frequente periodicità e a diverse dimensioni del campione (almeno questo pezzo è costantemente nella finestra), ed è questo modello che viene sfruttato dal modello.
Per quanto mi riguarda ho concluso che è abbastanza possibile destinare dal 30% al 70% del campione di tutti i dati a favore di una trama di convalida alla ricerca di modelli interessanti, ma sembra che il 30% sia ancora ottimale.