L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2809
![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
La libreria non tiene conto del tipo? Il tipo di dati è come i dati per i calcoli più economici. La stessa matrice dovrebbe essere progettata per i calcoli.
Non ho trovato un analogo di numpy per R, le matrici non sono così veloci e R stesso consuma molta memoria a causa del suo paradigma.
Naturalmente, una libreria di terze parti può essere lenta, chi la controllerebbe?
Non so con cosa fare il confronto, quindi non voglio caricare un set di dati da un gigabyte per confrontare la velocità.Non è possibile.
E l'apprendimento per rinforzo?
Il topkstarter ha scritto un articolo su DQN su hubr su R.
Bisogna capire che l'apprendimento per rinforzo è solo un'ottimizzazione complicata.
In alcuni casi può funzionare, in altri no.
Non riesco a trovare un analogo di numpy per R..
..
Volevo alleviare le sofferenze di Alexey) È certamente più facile da usare fin dall'inizio... ma comunque.
Il topikstarter ha scritto un articolo su DQN sull'hub su R
bisogna capire che l'apprendimento per rinforzo è solo un'ottimizzazione sapientemente progettata
In alcuni casi può funzionare, in altri no.
Beh, nel contesto della domanda sulla memoria.
può adattare gli stati ai nuovi dati, ma è tutto a livello o come Mashka, cioè con un ritardo.
È più importante scegliere una ricompensa, un obiettivo, in pratica. Il sistema lancia gli scambi in direzioni diverse e ad ogni iterazione migliora sempre di più.
Volevo alleviare le sofferenze di Alexey ) È certamente più facile da usare... ma comunque
può adeguare gli stati ai nuovi dati, ma tutto su base livellata o di tipo Mashka, cioè con ritardo.
È più importante selezionare la ricompensa, cioè l'obiettivo in sostanza. Il sistema lancia da solo le operazioni in diverse direzioni e a ogni iterazione migliora sempre di più.
la memoria è un NS con pesi addestrati, lo si addestra a ogni passo, si spostano i pesi un po'... non molto, ecco perché c'è un ritardo.
e non è possibile trasferirlo al terminale.
La memoria è un NS con pesi addestrati, lo si riqualifica ad ogni passo, spostando un po' i pesi... non molto, quindi il ritardo .