L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1492

 
Maxim Dmitrievsky:

Sì, poi rilevarli in futuro e scegliere un modello che funzioni bene su questo particolare cluster

Puoi anche semplicemente archiviarlo come una caratteristica, NS/forest si sottomodellerà da solo
 
mcpd.mcpdreport C# (CSharp) Code Examples - HotExamples
  • csharp.hotexamples.com
C# (CSharp) mcpd.mcpdreport - 6 examples found. These are the top rated real world C# (CSharp) examples of mcpd.mcpdreport extracted from open source projects. You can rate examples to help us improve the quality of examples.
 

interessante articolo sulla formazione NS su Habra ( solo una lettura )Restauro di foto con reti neurali

il più prezioso, come sempre, sono i commenti degli utenti - in tutto l'articolo l'autore descrive una grande svolta nel suo lavoro, come al solito con un confronto di software di terze parti, ma gli utenti subito sottolineato il difetto - la predominanza del verde

conclusione - la preparazione dei dati di input è più importante della stessa tecnologia di formazione NS

Реставрируем фотографии с помощью нейросетей
Реставрируем фотографии с помощью нейросетей
  • habr.com
Всем привет, я работаю программистом-исследователем в команде компьютерного зрения Mail.ru Group. Ко Дню Победы в этом году мы решили сделать проект по реставрации военных фотографий. Что такое реставрация фотографий? Она состоит из трех этапов: находим все дефекты изображения: надломы, потертости, дырки; закрашиваем найденные дефекты...
 
Igor Makanu:

la conclusione è che la preparazione dei dati di input è più importante della stessa tecnologia di formazione NS

Sorcerer l'ha detto un miliardo di pagine fa.

Signori, quando imparerete ad ascoltarvi? Cos'è questa ristrettezza di vedute e stupidità da bifolchi? È davvero fastidioso e irritante.

 
Igor Makanu:

interessante articolo sulla formazione NS su Habra ( solo una lettura )Restauro di foto con reti neurali

il più prezioso, come sempre, sono i commenti degli utenti - in tutto l'articolo l'autore descrive una grande svolta nel suo lavoro, come al solito con un confronto di software di terze parti, ma gli utenti subito sottolineato il difetto - la predominanza del verde

la conclusione - la preparazione dei dati di input è più importante della tecnologia della formazione NS

Il punto è che l'immagine non si muove e non cambia, così come le impronte digitali. E nel riconoscimento dei modelli l'apprendimento automatico è indispensabile.

Ma quando il MO viene applicato sui dati storici nel forex, crea solo l'illusione di aver trovato l'opzione migliore.

Quando in realtà ha semplicemente imparato a bypassare tutte le zone pericolose della storia, ottenendo un grande grafico di guadagni.

Ma il prezzo è un processo dinamico che cambia sempre e va avanti, e nessuno può indovinare dove andrà il prezzo: così, un robot basato sull'apprendimento automatico farà sempre un errore nel trading reale in situazioni insolite.

 
Petros Shatakhtsyan:

Ma quando il MO viene applicato sui dati storici nel forex, crea solo l'illusione di aver trovato l'opzione migliore.

E in realtà ha semplicemente imparato sulla storia a bypassare tutte le zone pericolose, ottenendo un grande grafico dei guadagni.

leggere tutto questohttps://habr.com/ru/post/443240/

Ma non è così male, cercherò di mostrare la mia opinione per la centesima volta: MO non è meglio e non è peggio di GA strategy tester,

ma è comunque un argomento molto interessante, è affascinante ))))

Понимание Q-learning, проблема «Прогулка по скале»
Понимание Q-learning, проблема «Прогулка по скале»
  • habr.com
Привет, Хабр! Предлагаю вашему вниманию перевод статьи «Understanding Q-Learning, the Cliff Walking problem» автора Lucas Vazquez. В последнем посте мы представили проблему «Прогулка по скале» и остановились на страшном алгоритме, который не имел смысла. На этот раз мы раскроем секреты этого серого ящика и увидим, что это совсем не так...
 

Beh, risulta essere abbastanza facile da applicare. Dall'esempio 1.

Impostiamo il numero di stati e le sequenze di transizioni (diciamo storiche). Cioè le probabilità di essere in un dato stato. E poi conta la probabilità totale per tutti gli stati.

O su MAshki per fare un semplice esempio per l'inizio, ma finora non so ancora come farlo, forse@mytarmailS spiegherà.

//+------------------------------------------------------------------+
//|                                                          HMM.mq5 |
//|                        Copyright 2018, MetaQuotes Software Corp. |
//|                                             https://www.mql5.com |
//+------------------------------------------------------------------+
#property copyright "Copyright 2018, MetaQuotes Software Corp."
#property link      "https://www.mql5.com"
#property version   "1.00"
#include <Math\Alglib\dataanalysis.mqh>
CMCPDState states;
CMCPDReport report;
CMatrixDouble track0, track1, results;

//+------------------------------------------------------------------+
//| Script program start function                                    |
//+------------------------------------------------------------------+
void OnStart()
  {
//---
   track0.Resize(5, 2);
   track1.Resize(4,2);
   
   track0[0].Set(0, 1.0);
   track0[0].Set(1, 0.0);
   
   track0[1].Set(0, 0.95);
   track0[1].Set(1, 0.05);
   
   track0[2].Set(0, 0.92750);
   track0[2].Set(1, 0.07250);
   
   track0[3].Set(0, 0.91738);
   track0[3].Set(1, 0.08263);
   
   track0[4].Set(0, 0.91282);
   track0[4].Set(1, 0.08718);
   
   track1[0].Set(0, 0.8);
   track1[0].Set(1, 0.2);
   
   track1[1].Set(0, 0.86);
   track1[1].Set(1, 0.14);
   
   track1[2].Set(0, 0.887);
   track1[2].Set(1, 0.113);
   
   track1[3].Set(0, 0.89915);
   track1[3].Set(1, 0.10085);
   
   CMarkovCPD::MCPDCreate(2, states);
   CMarkovCPD::MCPDAddTrack(states, track0, 5);
   CMarkovCPD::MCPDAddTrack(states, track1, 4);
   CMarkovCPD::MCPDSolve(states);
   CMarkovCPD::MCPDResults(states, results, report);
   
   for(int i=0;i<results.Size();i++)
     {
      Print(results[i][0]);
      Print(results[i][1]);
     }
  }
//+------------------------------------------------------------------+
 
Market Regime Detection using Hidden Markov Models in QSTrader | QuantStart
Market Regime Detection using Hidden Markov Models in QSTrader | QuantStart
  • www.quantstart.com
In the previous article on Hidden Markov Models it was shown how their application to index returns data could be used as a mechanism for discovering latent "market regimes". The returns of the S&P500 were analysed using the R statistical programming environment. It was seen that periods of differing volatility were detected, using both...
 
Maxim Dmitrievsky:

Beh, risulta essere abbastanza facile da applicare. Dall'esempio 1.

Impostiamo il numero di stati e le sequenze di transizioni (diciamo storiche). Cioè le probabilità di essere in un dato stato. E poi conta la probabilità totale per tutti gli stati.

O su MAshki per fare un semplice esempio per l'inizio, ma finora non so ancora come farlo, forse@mytarmailS spiegherà.

//+------------------------------------------------------------------+
//|                                                          HMM.mq5 |
//|                        Copyright 2018, MetaQuotes Software Corp. |
//|                                             https://www.mql5.com |
//+------------------------------------------------------------------+
#property copyright "Copyright 2018, MetaQuotes Software Corp."
#property link      "https://www.mql5.com"
#property version   "1.00"
#include <Math\Alglib\dataanalysis.mqh>
CMCPDState states;
CMCPDReport report;
CMatrixDouble track0, track1, results;

//+------------------------------------------------------------------+
//| Script program start function                                    |
//+------------------------------------------------------------------+
void OnStart()
  {
//---
   track0.Resize(5, 2);
   track1.Resize(4,2);
   
   track0[0].Set(0, 1.0);
   track0[0].Set(1, 0.0);
   
   track0[1].Set(0, 0.95);
   track0[1].Set(1, 0.05);
   
   track0[2].Set(0, 0.92750);
   track0[2].Set(1, 0.07250);
   
   track0[3].Set(0, 0.91738);
   track0[3].Set(1, 0.08263);
   
   track0[4].Set(0, 0.91282);
   track0[4].Set(1, 0.08718);
   
   track1[0].Set(0, 0.8);
   track1[0].Set(1, 0.2);
   
   track1[1].Set(0, 0.86);
   track1[1].Set(1, 0.14);
   
   track1[2].Set(0, 0.887);
   track1[2].Set(1, 0.113);
   
   track1[3].Set(0, 0.89915);
   track1[3].Set(1, 0.10085);
   
   CMarkovCPD::MCPDCreate(2, states);
   CMarkovCPD::MCPDAddTrack(states, track0, 5);
   CMarkovCPD::MCPDAddTrack(states, track1, 4);
   CMarkovCPD::MCPDSolve(states);
   CMarkovCPD::MCPDResults(states, results, report);
   
   for(int i=0;i<results.Size();i++)
     {
      Print(results[i][0]);
      Print(results[i][1]);
     }
  }
//+------------------------------------------------------------------+

In alglib, come ho capito (probabilmente sbagliato), devi compilare tu stesso i binari per il numero di cluster richiesto. In questi esempi in Python, chiedete il numero giusto di cluster e ridistribuirà i dati da solo.

Anche se se la classificazione, con 2 classi, potremmo probabilmente concatenare come segue: iniziando con 0 fino a diventare 1; e iniziando con 1 fino a diventare 0. Poiché non abbiamo intermedi 0,95, 0,8, ecc.

 
elibrario:

In alglib, per come la vedo io (probabilmente sbagliata), devi compilare tu stesso i binari per il numero di cluster richiesto. E in quegli esempi Python, chiedi il numero giusto di cluster e ridistribuisce i dati da solo.

Anche se se la classificazione, con 2 classi, si potrebbe probabilmente concatenare in questo modo: iniziando con 0 fino a diventare 1; e iniziando con 1 fino a diventare 0. Poiché non abbiamo intermedi 0,95, 0,8, ecc.

Non capisco affatto come funziona. Perché non usate la classificazione tramite NS?

Non capisco come emette i risultati in python, compresi i nuovi dati. E in alglib come ottenere lo stato previsto su nuovi dati, e per ogni dimensione separatamente. Troppi Buckeyes alla volta.

e sembra che ci sia qualcosa di sbagliato con l'alglib, un modello diverso