L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 552
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
quindi non so cosa credere in questa vita... tutto deve essere ricontrollato
+1 - Ho iniziato senza rimuovere gli outlier, e ho ottenuto forti spostamenti nel centro (o nello zero) dei dati. Dopo aver rimosso gli outlier tutto è diventato più stabile.
Quindi non è jPredictor alla fine? :)
Perché proprio con lui.... Costruisce modelli migliori delle biblioteche e così via. Perché scuote i dati a fondo...
Perché proprio lui.... Costruisce modelli migliori delle biblioteche e così via. Perché scuote i dati a fondo...
ma ci vuole molto tempo... :)
+1 - Inizialmente l'ho fatto senza rimuovere gli outlier, e ho ottenuto forti spostamenti nel centro (o nello zero) dei dati attrminati. Dopo aver rimosso gli outlier tutto è diventato più stabile.
Bene, a volte c'è un problema con lo spostamento a causa della normalizzazione, quindi ho tutti gli ingressi attraverso i logaritmi degli incrementi e lì il centro sarà sempre a zero se devono essere normalizzati
ma in generale, i picchi sono rimossi più in modo che le scale non si spostino troppo in corrispondenza delle anomalie... e l'impalcatura, per esempio, non se ne preoccupa affatto
ma ci vuole molto tempo... :)
Per questo motivo riduco statisticamente il numero di input e la formazione diventa adeguata nel tempo. In un giorno lavorativo ho fatto il modello + il boosting di livello 4. Ora farò un altro modello di rimbalzo e dovrebbe funzionare per settimane. Almeno lo spero...
Bene, a volte c'è un problema con lo spostamento a causa della normalizzazione, quindi ho tutti gli ingressi attraverso i logaritmi degli incrementi e lì il centro sarà sempre a zero se devono essere normalizzati
ma in generale, i picchi sono rimossi più in modo che il NS non sposti pesantemente i pesi sulle anomalie... e l'impalcatura per esempio non se ne preoccupa affatto
Beh, in effetti il logaritmo fa qualcosa di simile, solo che non scarta, e porta, forti emissioni. Tuttavia non scarto anche loro, ma li equiparo al massimo. se(v>max){v=max;}
In generale voglio definire in anticipo un intervallo accettabile per ogni predittore ed eseguire tutti i miei esperimenti entro questo intervallo. Perché anche con il mio metodo e il metodo del logaritmo avrò qualche spostamento di dati da un campione all'altro.
In effetti, il logaritmo fa qualcosa di simile, solo che non scarta ma approssima i forti picchi. Tuttavia non li scarto nemmeno, ma li equiparo al massimo. se(v>max){v=max;}
Oh sì, è vero... credo)
Prima prendo alcune serie come log(close[0]/close[n])
e poi
e se prendiamo piccoli campioni allorapossiamo definirlo preliminarmente sul grande campione, quindi non cambierà.Oh sì, è vero... credo)
Prima prendo alcune serie come log(close[0]/close[n])
e poi
Se min e max non sono speculari (per esempio -100 e 90), allora si avrà una normalizzazione per esempio da -1 a 0,9. Ma il centro sarà sempre a 0. Questo è un approccio interessante nel deviare gli offset.
E a quanto pare è necessario prendere
Altrimenti un min negativo metterà tutto sottosopra.
Se min e max non sono speculari (per esempio -100 e 90), si avrà una normalizzazione per esempio da -1 a 0,9. Ma il centro sarà sempre a 0. Un approccio interessante per combattere gli offset.
E a quanto pare dovremmo.
Altrimenti, un min negativo metterebbe tutto sottosopra.
Sì, è importante che il centro non si sposti.
Ci sono già Abissi per max e min.
Gli abissi per max e min sono già lassù
Mancato)
Un'altra cosa, se prendi per esempio non 0, ma per esempio 0,5 - anche con il tuo metodo "galleggerà" da un campione all'altro.
L'unico modo per aiutare è quello di impostare rigidamente manualmente il range per ogni ingresso. Ma non è chiaro come determinarlo. Per esempio, si possono analizzare i dati per un anno ed eliminare l'1-5% degli outlier. E lavorare con loro durante l'anno. Anche se cambieranno tra un anno.