L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3041

Nuovo commento
 
mytarmailS #:
Vale la pena di fare un confronto.
Lo stavo guardando solo per curiosità

Non è chiaro come confrontare. UpSample dovrebbe portare a un sovrallenamento dovuto alla duplicazione di dati identici, che non è immediatamente rilevabile.

 
СанСаныч Фоменко #:

Non è chiaro come effettuare il confronto. Idealmente, l' upSample dovuto alla duplicazione di dati identici dovrebbe portare a un sovrallenamento, che non è immediatamente rilevabile.

Perché no? Formare, testare, convalidare e partire.

 
mytarmailS #:

Perché non dovreste? Allenatevi, testate, convalidate e partite.

Peccato, ho cambiato l'avar.

 
СанСаныч Фоменко #:

Peccato, avar cambiato

Perché?

 
Il militarismo è arrivato anche in questo tema carino e coccoloso
 
Maxim Dmitrievsky #:
Il militarismo è arrivato a questo argomento carino e tenero.

Allora, è un cecchino quello che ha?

 

Sto cercando di linearizzare lo spazio, o semplicemente di tradurre uno spazio non lineare in uno spazio più lineare. Sono interessato all'algoritmo HLLE.


https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction


sembra piuttosto interessante. Mi sembra che l'AMO sarà più facile da riconoscere in uno schizzo del genere rispetto al prezzo così com'è.

Qualcuno sa dirmi perché c'è una distorsione così brutta dei colori nell'animazione quando la carico qui?


Ecco come appare il prezzo trasformato dall'algoritmo.


chi vuole giocare

p <- cumsum(rnorm(400,sd = 0.01))+100
p <- stats::embed(p,dimension = 20)[,20:1]
plot(p[,20],t="l",pch=20)

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)

pp <- emb@org.data[,20]
xx <- emb@data@data

par(mar=c(2,2,2,2), mfrow=c(1,2))
plot(pp,t="l",pch=20)
plot(xx,t="p",pch=20)

for(i in 1:nrow(xx)){
  Sys.sleep(0.05)

  plot(pp,t="l",pch=20)
  points(i,pp[i],col=2,lwd=6)
  plot(xx, t="p",lwd=2,pch=20)
  points(xx[i,1],xx[i,2],col=2,lwd=6)
}
File:
anigif.zip  6455 kb
 

Beh, il manifold learning ha gli stessi problemi del pca.

sarà difficile adattarsi a serie non stazionarie.

 
Maxim Dmitrievsky #:

Beh, sto imparando con gli stessi problemi di pca.

sarà difficile adattare serie non stazionarie

Non c'è nulla da rilevare, il modello attuale viene trasformato in una dimensione diversa e questo è tutto.

 

ha fatto un'immagine più bella

p <- cumsum(rnorm(300,sd = 0.01))+100
n <- 10
p <- stats::embed(p,dimension = n)[,n:1]

library(dimRed)
emb <- embed(p, "HLLE", knn = 15)
pp <- emb@org.data[,n]
xx <- emb@data@data


gg <- cbind.data.frame(time=1:length(pp),xx,pp)
library(patchwork)
library(ggplot2)
p1 <- ggplot(gg, aes(x =time, y = pp, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p2 <- ggplot(gg, aes(x = HLLE1, y = HLLE2, col=time)) +
  geom_point()  +
  scale_color_gradientn(colours = rainbow(4))
p1 + p2 + plot_layout(nrow = 2)


1...303430353036303730383039304030413042304330443045304630473048...3399
Nuovo commento