L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2554
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 si tratta di risolvere un problema
Intendo la stessa cosa, fissano i compiti e poi cercano eroicamente di non risolverli ))). Capisco che più difficile è il compito, più scuse per un risultato negativo, pianti, simpatia e ammonizioni per progetti ancora più difficili ))).
Questo è quello che voglio dire, fissano degli obiettivi e poi eroicamente cercano di non risolverli )))). Capisco che più difficile è il compito, più scuse per un risultato negativo, esclamazioni, simpatia e ammonizioni per progetti ancora più difficili ))).
Mi ricordo...
Ho un'idea leggermente diversa...
Se puoi prevedere qualitativamente la distribuzione delle quotazioni future per diciamo 50 candele avanti, allora puoi montecarlo qualche migliaio di serie da quella distribuzione e allenare il modello, in questo modo il modello funzionerà adeguatamente sulle nuove 50 candele in teoria...
Ma se la classe sarà prevista in modo errato, allora montekarlo non aiuterà
Si può giocare con la dimensione della finestra, guardare la qualità della generalizzazione a diverse. C'è la possibilità di entrare in alcuni cicli
Ma se la classe è prevista in modo errato, allora montecarlo non aiuterà
si può giocare con la dimensione della finestra, guardare la qualità della generalizzazione a diverse. C'è la possibilità di entrare in alcuni cicli.
Cosa intendi per "a volte"?
O c'è un qualche tipo di pipeline che si è dimostrato, o sono solo speculazioni inutili.
Rendere il rumore una classe separata non migliora, in teoria, il modello (il rumore rimane dentro il modello e non va da nessuna parte).
sulla deriva - sono le basi, è un compromesso bias-varianzaA volte significa che, a seconda del modello, dei predittori utilizzati e delle trasformazioni. E c'è un pipelining che si è dimostrato valido.
Teoricamente può non migliorare il modello, ma praticamente migliora il risultato (il rumore rimane all'interno del modello e non scompare)Cosa significa?
Riguardo alla deriva - sono le basi, il compromesso bias-varianza - non si tratta affatto di questo. Se non lo capite, non scrivete. Leggetelo, studiatelo.
Sii modesto, sii modesto...
A volte questo significa che dipende dal modello, dai predittori utilizzati e dalle trasformazioni. E c'è una Pipeline che si è dimostrata valida.
Teoricamente può non migliorare il modello, ma praticamente migliora il risultato (il rumore rimane all'interno del modello e non va da nessuna parte) Di cosa si tratta?
Riguardo alla deriva - sono le basi, il compromesso bias-varianza - non si tratta affatto di questo. Se non lo capite, non scrivete. Leggetelo, studiatelo.
Umile, umile...
È più facile prevedere il verificarsi del rumore che prevedere il marchio di classe per l'acquisto o la vendita.
questo è esattamente quello che voglio dire.
Vladimir sembra cercare di combattere la non stazionarietà buttando fuori esempi che (presumibilmente) appartengono a una distribuzione non interattiva.
Il compromesso tra bias e varianza è cercato assumendo una distribuzione costante (distribuzione congiunta di predittori e output)
Vladimir sembra cercare di combattere la non stazionarietà buttando fuori esempi che (presumibilmente) appartengono a una distribuzione non pertinente.
Il compromesso tra bias e varianza è cercato assumendo una distribuzione costante (distribuzione congiunta di predittori e output)
Rimuovere gli outlier non significa combattere la non stazionarietà...
La rimozione delle emissioni non è una lotta contro l'instabilità...
Dipende dalla natura della loro origine.
Vladimir sembra cercare di combattere la non stazionarietà buttando fuori esempi che (presumibilmente) appartengono a una distribuzione non interattiva.
Il compromesso tra bias e varianza è cercato assumendo una distribuzione costante (distribuzione congiunta di predittori e output)
Supponendo che anche in futuro il modello dovrebbe funzionare, gli errori di tutti i tipi (compreso il rumore) saranno sempre presenti, il problema è trovare un equilibrio. Quindi stiamo parlando della stessa cosa, in sostanza.
In realtà, stavo risolvendo questo problema in un modo diverso, ecco perché sto scrivendo le domande principali