트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 1382

 
막심 드미트리예프스키 :

Nene, 나는 이것이 반환이라는 것을 말하는 것입니다. -1 대신 log()를 넣을 수 있습니다. 동일한 일이 발생할 것입니다. 로그 반환. 이러한 정보 손실은 매우 중요합니다. 당신은 단지 20

내 작업에는 20이면 충분합니다. 일반적으로 더 필요할 수 있습니다. 세부 사항에 따라 다릅니다.

IMHO, 로그를 넣을 수 없습니다. 이것은 비선형 변환입니다. 이점은 일반적으로 och가 의심스럽습니다.

일반적으로 입력 계열을 sigmoid 또는 tanh를 통해 전달하므로 주요 가격이 "선형" 사이트에 있고 이상값만 비선형성으로 제한됩니다.

 
울라지미르 이제르스키 :

왜 예측자가 필요합니까?

더 이상 원시 일정이 마음에 들지 않습니까?

당신은 ML과 알고리즘 거래에 정통하지 않습니다. 나는 가능한 한 많은 사람들에게 저자의 무능함을 고려하여 시장에서 당신의 " 성배 "를 사지 말라고 조언해야 할 것입니다.

 
유리 아사울렌코 :

내 작업에는 20이면 충분합니다. 일반적으로 더 필요할 수 있습니다. 세부 사항에 따라 다릅니다.

IMHO, 로그를 넣을 수 없습니다. 이것은 비선형 변환입니다. 이점은 일반적으로 och가 의심스럽습니다.

로그는 가격이 누적 증분으로 변하지 않기 때문에 필요하지만 복리와 마찬가지로 상품으로서 변화가 매우 작은 통화의 경우 이것이 포인트가 아닙니다.

 
유리 아사울렌코 :

내 작업에는 20이면 충분합니다. 일반적으로 더 필요할 수 있습니다. 세부 사항에 따라 다릅니다.

IMHO, 로그를 넣을 수 없습니다. 이것은 비선형 변환입니다. 이점은 일반적으로 och가 의심스럽습니다.

일반적으로 입력 계열을 sigmoid 또는 tanh를 통해 전달하므로 주요 가격이 "선형" 사이트에 있고 이상값만 비선형성으로 제한됩니다.

국회 자체가 Sigmoid를 통과하는 것과 같은 것입니까? )) 또는 추가 항목을 제공합니다.

 
막심 드미트리예프스키 :

국회 자체가 Sigmoid를 통과하는 것과 같은 것입니까? )) 또는 추가 항목을 제공합니다.

그러나 입력에서는 그렇지 않습니다.) 입력 시리즈에서 이상치의 한계를 제공하고, NN의 입력에서 뉴런에 과부하를 주지 않습니다.

 
유리 아사울렌코 :

그러나 입력에서는 그렇지 않습니다.) 입력 시리즈에서 이상치의 한계를 제공하고, NN의 입력에서 뉴런에 과부하를 주지 않습니다.

아크 탄젠트를 건너뛸 수 있습니다. 피셔 변환

유형은 분포를 더 정상적으로 만듭니다 ... 그러나 데이터의 나머지 부분은 더 이상 나에게 질문이 아닙니다.))

 
막심 드미트리예프스키 :

아크 탄젠트를 건너뛸 수 있습니다. .. 피셔 변환

유형은 분포를 더 정상적으로 만듭니다 ... 그러나 데이터의 나머지 부분은 더 이상 나에게 질문이 아닙니다.))

메인 레인지의 중앙 부분이 출력에서 선형인 한 무엇이든 할 수 있습니다.

모든 데이터는 배출을 제외하고 제자리에 있을 것이며, 고양이는 약간 으스러질 것입니다. 신호 처리에서 절대적으로 정상적인 방법입니다.

위협 그렇지 않으면 역사의 어떤 종류의 스파이크가 당신을 위해 모든 뉴런을 죽이고 가시성을 벗어날 때까지 죽일 것입니다. 당신의 NS는 단순히 부정 또는 무의식 상태에 빠질 것입니다. )

 
성배 :

로그는 가격이 누적 증분으로 변하지 않기 때문에 필요하지만 복리와 마찬가지로 상품으로서 변화가 매우 작은 통화의 경우 이것이 포인트가 아닙니다.

나는 다소 안정적인 시장에서 M(dC/C) =~const라고 믿습니다.

 

나는 나눗셈(P[i] / P[0])을 사용하지 않고 빼기(P[i] - P[0]), 즉 상대적인 가격 변동이 아니라 절대적인 가격 변동입니다. 나는 이상치를 미리 제거한다(가장 큰 값과 가장 작은 값의 1%).

분할이 어떤 이점을 제공합니까? 이제 정규화 및 크기 조정이 필요하지 않은 포리스트를 사용합니다.

 
도서관 :

나는 나눗셈(P[i] / P[0])을 사용하지 않고 빼기(P[i] - P[0]), 즉 상대적인 가격 변동이 아니라 절대적인 가격 변동입니다. 나는 이상치를 미리 제거한다(가장 큰 값과 가장 작은 값의 1%).

분할이 어떤 이점을 제공합니까? 이제 정규화 및 크기 조정이 필요하지 않은 포리스트를 사용합니다.

가격의 로그 차이(비의 로그는 동일함)가 차이보다 정규 분포에 더 가깝다고 널리 알려져 있습니다. 같은 이유로 Black-Scholes 공식을 유도하기 위해 가격은 기하학적 브라운 운동으로 모델링됩니다.