L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2396
![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Sì, potete prenderlo dai miei articoli. Beh, il tester è il più semplice. Posso mandarti alcuni esempi di bot basati su Python.
Beh, anch'io ho qualcosa - basato su test veloci delle mie idee. Ma è un po' usato per finirlo in un normale tester. Pensi che valga la pena liberarsi di questa abitudine? )
Beh, anch'io ho qualcosa - affinato per testare rapidamente le mie idee. Ma è già un po' un'abitudine finire per eseguirlo nel normale tester. Pensi che valga la pena liberarsi di questa abitudine? )
I MacBook si strappano e imprecano con i nuovi processori nei compiti del Ministero della Difesa. La cattiva notizia è che CatBoost non supporta ancora l'architettura arm, ma ci stanno lavorando
Conclusione
Da questi test, risulta che
Naturalmente, queste metriche possono essere considerate solo per tipi di reti neurali e profondità simili a quelle utilizzate in questo test.
Per i grandi allenamenti e i calcoli intensivi che durano più di 20 minuti, andrò ancora per le soluzioni basate sul cloud perché forniscono schede costruite per carichi pesanti così lunghi e permettono di inviare diversi lavori contemporaneamente. Ma questo scenario è solo per alcune ricerche specifiche che rappresentano solo il 10% del mio lavoro, per lo più per uso professionale in qualche specifica area di business.
Come ingegnere di machine learning, per la mia ricerca personale quotidiana, l'M1 Mac è chiaramente l'opzione migliore e più conveniente oggi.
https://towardsdatascience.com/benchmark-m1-part-2-vs-20-cores-xeon-vs-amd-epyc-16-and-32-cores-8e394d56003d
Qualcuno ha familiarità con questo tipo di formazione degli insegnanti?
Quando l'insegnante non è un'etichetta ma la persona stessa, la persona clicca sull'immagine che gli piace e AMO cerca di separare questa immagine da tutto il resto e trovare le stesse immagini con lo stesso risultato nell'immagine...
Qualcuno sa se esiste una tale formazione e se sì come si chiama?
So come implementarlo, ma forse c'è un ready-made?
Volevo anche esprimere un pensiero ad alta voce. Un pensiero sul tema della non stazionarietà. È chiaro come utilizzare il metodo K-nearest neighbour nelle sue condizioni. Prendiamo gli ultimi N modelli nel tempo da cui scegliamo K vicini più vicini e prendiamo una decisione in base ad essi. La semplicità deriva dall'assenza di apprendimento. Mi chiedo se ci sono altri algoritmi MO facili da usare in modo simile?
Ho ricercato e indagato molto con questo metodo così come il metodo stesso, non so perché ma è il più vicino e intuitivo per me...
Questo metodo appartiene alla famiglia delle "previsioni senza modello".
È conosciuto in rete come "predizione tramite analoghi della preistoria", "metodo di complessazione degli analoghi del MSUA" ecc...
Una volta si usava per le previsioni del tempo...
In sostanza è il solito clustering, solo più accurato... La differenza è solo che nel clustering usuale il centro di un cluster (prototipo) è qualcosa nel mezzo tra gli analoghi, e il metodo dato il centro di un cluster è il prezzo attuale o qualsiasi altra cosa, quindi è possibile trovare analoghi più precisamente per il momento attuale...
Ho persino cercato modelli multidimensionali, ho persino inventato la mia mini metodologia per cercare modelli nella preistoria, quindi sono molto profondo in questo argomento...
Ho cercato e indagato molto con questo metodo e il metodo stesso, non so perché ma è il più vicino e intuitivo per me.
Fa parte della famiglia "nessuna previsione di modelli".
È conosciuto in rete come "predizione tramite analoghi della preistoria", "metodo di complessazione degli analoghi del MSUA" ecc...
Una volta si usava per le previsioni del tempo...
In sostanza è il solito clustering, solo più accurato... La differenza è solo che nel clustering usuale il centro di un cluster (prototipo) è qualcosa nel mezzo tra gli analoghi, e il metodo dato il centro di un cluster è il prezzo attuale o qualsiasi altra cosa, quindi è possibile trovare analoghi più precisamente sotto il momento attuale...
Ho persino cercato modelli multidimensionali, ho persino inventato un mini metodo per cercare modelli nella preistoria, quindi sono molto profondo in questo argomento...
Il metodo è intuitivamente ovvio, quindi è impossibile da evitare. Ma voglio un po' di varietà. Per esempio, qualche semplice riqualificazione del modello, quando si aggiunge un nuovo esempio e si scartano quelli obsoleti.
Aleksey Nikolayev:
Qualche semplice riqualificazione del modello, dove un nuovo esempio viene aggiunto e quelli obsoleti vengono buttati via.
O di buttare fuori esempi obsoleti quando il tempo è troppo importante rispetto ad altri.
O di buttare via esempi obsoleti quando il tempo si rivela una caratteristica troppo significativa rispetto ad altre.
Non vedo quale sia la differenza tra la tua idea e la riqualificazione costante di AMO nella finestra scorrevole...
Si prendono le ultime n immagini da quella corrente, ordinate per tempo, si fa una previsione in base ad esse, che cosa dovrebbe ottenere?
Basta riqualificare in una finestra scorrevole come con AMO sopra, qual è il vantaggio?