L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1624

Nuovo commento
 
Kesha Root:

Hmm, "0.5-0.7 secondi di calcolo" è un po' troppo per MLP, forse si insegna e poi si calcola, su piccoli dataset con una finestra scorrevole?

Prendiamoli in ordine:

1 Quali sono i dati grezzi (ticker(s), timeframe)

2 Qual è la dimensione del set di dati di allenamento (1k, 10k, 100k...)

3 Che tipo di caratteristiche

4 Quali sono gli obiettivi

5 Che tipo di griglia


è sufficiente per iniziare...

1. candele + indicatori
2. 200-300к
3. questo è know-how - non condivisione
4. classificazione binaria - su/giù
5. sequenziale su keras
 
Evgeny Dyuka:
1. candele + indicatori
2. 200-300к
3. questo know-how - non lo condivido
4. classificazione binaria - su / giù
5.

Quante caratteristiche?

sequenziale - non il tipo di mesh ma il modo in cui è assemblato in keras, la struttura della mesh va bene, ad esempio MLP (in keras solo Dence layers) o un mix di qualche tipo, meglio il codice della mesh qui

 
Kesha Rutov:

Quante caratteristiche?

sequenziale non è il tipo di mesh ma il modo in cui è assemblato in keras, la struttura della mesh è tenera, ad esempio MLP(in keras solo Dence strati) o un mix di qualche tipo, meglio il codice della mesh qui

Keras ha tutti i livelli che sono in tensorflow/.

 
Kesha Rutov:

Quante caratteristiche?

Il modo migliore per assemblare una mesh in keras non è il tipo di mesh, ma la struttura della mesh, ad esempio MLP (in keras solo strati Dence) o un mix di essi, meglio codificare la mesh qui

def make_model(arr_size):
  sgd = SGD(lr=0.01, decay=1 e-6, momentum=0.9, nesterov=True)

  res = 2 # количество ответов
  act = "softmax"
  #act = "sigmoid"
  #opt = sgd
  opt = 'adam'

  model = Sequential()

  model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
  model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.3*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.1*k), activation='relu'))
  #model.add(Dropout(dropout))

  model.add(Dense(res, activation=act))

  if res==1:
    ls="binary_crossentropy"
  else:
    ls="categorical_crossentropy"
  model.compile(loss=ls, optimizer=opt, metrics=['accuracy'])
  return model
 
Vladimir Perervenko:

keras ha tutti i livelli che ha tensorflow/

Lo so.

Ho detto che MLP è solo strati densi in keras

 

Evgeny Dyuka:

codice

OK. Quindi MLP.

arr_size-res deve essere grande?

 
Kesha Rutov:

Ok. Quindi MLP.

arr_size-res deve essere grande?

arr_size è il numero di chip in ingresso, il codice è scritto male, copiato così com'è, è stato scritto per me
 
Evgeny Dyuka:
arr_size è il numero di chip in ingresso, il codice è scritto male, copiato così com'è, è stato scritto per me stesso

Ti ho chiesto quante caratteristiche e mi hai ignorato.

Propongo un esperimento, prendere la serie Eurobucks, dividerla al 70-30%, allenare il primo pezzo, generare l'indicatore MO sul secondo e postarlo qui insieme alla serie di test

 
Kesha Rutov:

Ti ho chiesto quante caratteristiche e mi hai ignorato.

Propongo un esperimento, prendere la serie Eurobucks, dividerla al 70-30%, allenare il primo pezzo, generare l'indicatore MO sul secondo e postarlo qui insieme alla serie di test

Ho risposto: 250-300 gettoni
 


Y.I. Zhuravlev. Metodi matematici di previsione

1...161716181619162016211622162316241625162616271628162916301631...3399
Nuovo commento