L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2661
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
qualcuno ha un robot di trading in python?
Per il robot ML...
Ottimo articolo https://pair-code.github.io/understanding-umap/
Qual è il divertimento?
e che divertimento c'è in questo?
Beh, il punto principale è che è piuttosto difficile riconoscere qualcosa con una decomposizione "humap".
Per esempio, perché un algoritmo di riconoscimento capisca che due zampe anteriori sono una classe di "zampe anteriori".
bisogna fare molte trasformazioni...
1) dividere i componenti "unmap" in pezzi (cluster) è improbabile che "dbscan" riesca a gestirlo correttamente (per questo compito).
2) variazione delle zampe dei mammut in base alle dimensioni in modo che ci sia invarianza (tralasciamo questa fase)
3) corretto accoppiamento delle zampe tra loro secondo un algoritmo sconosciuto + centratura
4) rotazione delle gambe per una posizione più corretta
5) specchiatura dei piedi per una posizione più corretta
6) ora dobbiamo allineare le gambe e rimuovere le principali distorsioni. Penso che sia possibile scomporre le gambe con il metodo delle componenti principali e rimuovere la prima componente principale da esse, questo in teoria dovrebbe rimuovere le distorsioni principali (non l'ho illustrato).
7) Solo a questo punto è possibile misurare la distanza/vicinanza tra le zampe per rendersi conto che sono simili e possono essere classificate come un'unica classe "zampe anteriori".
Beh, il punto principale è che è piuttosto difficile riconoscere qualcosa con una decomposizione "yumap".
Per esempio, per far capire all'algoritmo di riconoscimento che due zampe anteriori sono una classe "zampa anteriore".
bisogna fare un sacco di trasformazioni.
Povero elefante.
Anch'io sono come quell'elefante, con la testa quadrata)))
Anch'io sono come quell'elefante, con la testa quadrata)))
Sì, in teoria tutto è chiaro, ad esempio dove sono le zampe e dove è la testa, ma per l'algoritmo nulla è chiaro, solo un insieme di punti.
È lo stesso con i segni per i bot.
Sì, in teoria tutto è chiaro, ad esempio dove sono le gambe e dove è la testa, ma per l'algoritmo non è chiaro nulla, solo un insieme di punti.
lo stesso vale per le caratteristiche dei bot.
Ecco perché abbiamo bisogno di invarianza nel senso più ampio del termine, come nella computer vision, in modo che l'algoritmo stesso possa segmentare, poi espandere, restringere, ruotare, distorcere e solo allora confrontare.
https://robwhess.github.io/opensift/
https://www.analyticsvidhya.com/blog/2019/10/detailed-guide-powerful-sift-technique-image-matching-python/#:~:text=SIFT%20aiuta%20a%20localizzare%20il%20locale, a rilevare%2C%20la%20scena%20detection%2C%20detection%2C%20etc.la stessa cosa con i tratti per i bot.
Esattamente! Non mi preoccupa l'elefante.
.
Sì, mi chiedo.
L'esempio mostra un modello di elefante, ma se queste parti vengono usate per fare un cammello, probabilmente non funzionerà.
---
Sulle carte del mercato ci sono sempre modelli simili: "elefanti", "cammelli", "coniglietti". Ma sono tutti di dimensioni diverse. Ma i modelli sono reali e si ripetono continuamente.
Alla mia età è difficile addentrarsi in processi analitici così complessi come quello degli elefanti, ma posso dire che è interessante.
Sì, è interessante.
L'esempio mostra un modello di elefante, ma se si fa un cammello con queste parti, probabilmente non funzionerà.