Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 500

 
Maxim Dmitrievsky:

Desculpe, mas até agora não provou o seu valor em nenhuma das minhas perguntas, pelo menos eu não o vi.

E não adianta escrever como o Capitão Óbvio e virar tudo de cabeça para baixo para se fazer parecer um pouco importante novamente.


Estás a confundir o básico. Aprender - você precisa aprender, para o seu próprio bem. Aprender ao invés de voltar...


ss

E eu não preciso de te provar nada.

 
Oleg avtomat:

Estás confuso com o básico. Aprender - você precisa aprender, para o seu próprio bem. Aprender ao invés de voltar...


.

E eu não tenho necessidade de lhe provar nada.


outro fora... em vez de responder à simples questão de se pode ou não extrapolar a partir do andaime :D

Eu dei um exemplo claro: não. Discutiram comigo, mas ninguém podia explicar, e agora tenho de ir ler um livro porque ninguém sabe de nada :)

Foi uma pergunta muito simples para aqueles que sabem muito sobre MO, mas acontece que ninguém sabe.

E é claro que todos são burros, especialmente os que escrevem artigos, e aparentemente Leo Brayman também é burro.

 
Maxim Dmitrievsky:

outro supremo... Em vez de responder à simples questão de se as florestas são ou não capazes de extrapolação :D

Eu dei um exemplo claro: não. Já discuti, mas ninguém me explicou, e agora tenho de ir ler um livro porque ninguém sabe de nada :)

Foi uma pergunta muito simples para aqueles que sabem muito sobre MO, mas acontece que ninguém sabe.


Se você coloca uma pergunta como essa, você já está demonstrando o nível de sua compreensão e consciência.

 
Oleg avtomat:

Se você coloca a questão dessa forma, já está demonstrando seu nível de compreensão e conscientização.


tudo, adeus )

 
Maxim Dmitrievsky:

Adeus, então.)


Saúde. Aprende.

 
Dr. Trader:

Quase certo, há também um viés que é adicionada ao resultado

Os valores mais prováveis de y1, y2, y3 são usados na camada interna do neurônio, e esses valores também devem ser usados como valores de entrada para a camada seguinte

Ou se Y1,Y2,Y3 são valores de saída, então vários neurônios de saída são usados para classificação - por exemplo, se o maior valor entre Y1,Y2,Y3 é Y1, então o resultado é "classe 1", se o maior valor é Y2, então o resultado é "classe 2", se o maior valor é Y3, então o resultado é "classe 3". Se o neurônio será usado para regressão ao invés de classificação, então o neurônio de saída será apenas um. Se tivermos duas classes, podemos usar apenas um neurônio de saída (se o resultado for <0.5, então será classe1, se >=0.5, então será classe2).

É muito fácil adicionar um sigmóide para a função de ativação de um neurônio, você precisa de tal função

E com ele você já tem um neurônio de pleno direito com uma camada interna (com três perceptrons) e um perceptron de saída.

resultado = perceptron4[0]


Obrigado pela resposta! É bastante informativo para mim.

Presumo que seja um neurónio tendencioso? A descrição diz que ajuda quando a entrada é zero. Na sua opinião, para que serve um neurónio tendencioso e quais os pesos a escolher para ele? Basicamente, é apenas um peso.

Qual é a melhor maneira de verificar o valor limiar após a transformação sigmóide ou depois?

 
Dr. Trader:

O número de pesos em um neurônio pode ser de dezenas de milhares ou mais. Em mql e R existem bibiloteks especiais para criar e treinar neurônios, é melhor trabalhar com eles, e não programar seu próprio neurônio a partir do zero.


Por exemplo, em mql4 foi possível otimizar simultaneamente até 15 parâmetros, e em mql5 mais.

E parece que uma camada é ajustada, e depois a segunda chega com a primeira camada otimizada, e assim por diante. Mas seria bom se pudéssemos otimizar todas as camadas ao mesmo tempo, mas o poder de cálculo não nos permitirá fazer isso.

Eu tenho uma suposição que quando as camadas são otimizadas uma a uma, nesse caso algum padrão não é visto pelo sistema.

Mesmo que uma camada seja analisada, as camadas seguintes serão baseadas nas suposições da primeira camada.

 
Maxim Dmitrievsky:

outro supremo... em vez de responder à simples questão de se as florestas são ou não capazes de extrapolação :D


outro alto... em vez de responder a uma simples pergunta - as florestas podem extrapolar ou não :D

E você também pode fazer uma pergunta: as florestas aleatórias são doces ou salgadas? Em geral, você pode fazer um monte de perguntas idiotas e até mesmo pegar referências na internet.


Não seria necessário responder se alguns membros do fórum mais sistematicamente instruídos não fossem piegas sobre o assunto.


As florestas aleatórias não podem ser extrapoladas, pois a palavra EXTRAPOLAÇÃO não se aplica a elas. Florestas aleatórias, como outros modelos de aprendizagem de máquinas, podem prever valores futuros, mas NÃO é EXTRAPOLATION, na verdade o termo EXTRAPOLATION não é aplicável em estatísticas de forma alguma.


E aqui está o porquê.

Originalmente, o termo EXTRAPOLAÇÃO para funções, funções comuns que têm uma fórmula.

Por exemplo.

у = а+ bх

De acordo com esta fórmula, é possível calcular os valores de uma função dentro do campo de definição original (interpolação) e fora - extrapolação.


Não existem tais fórmulas nas estatísticas.

E toda essa coisa de "pode uma floresta extrapolar aleatoriamente" tem algo a ver com isso, porque nas estatísticas o análogo se parece:

у ~ а + bх

Para distinguir uma função linear de uma regressão linear, é usado um til em vez de um igual.

Esta distinção capta o fato de que, 'a' numa equação linear não é 'a' numa regressão linear, como indicado pelo til. O mesmo se aplica ao "b".

Enquanto na primeira equação "a" é uma constante, na segunda equação "a" é a expectativa matemática, que é acompanhada por um valor de variância e uma estimativa com a probabilidade da hipótese nula de que esse valor de "a" que vemos não existe. Se a probabilidade de isto NÃO existir for superior a 10%, então o valor de "a" pode ser desconsiderado.


Agora a sua pergunta:

- Podemos extrapolar a partir da equação de regressão?

- Não, não podes. Mas você pode prever o valor futuro de uma variável aleatória que assumirá um valor dentro de um intervalo de confiança. Se esse intervalo de confiança é 95% (5% de probabilidade sob a hipótese nula), então temos "y" dentro desse intervalo de confiança. E se você receber uma estimativa para "a" com um múltiplo de variância desse valor, você não pode prever nada.


Espero ter explicado em detalhe que a sua pergunta que faz sentido na presença de funções, não faz sentido nenhum em estatísticas.

 
SanSanych Fomenko:


Agora a sua pergunta:

- Você pode extrapolar a partir da equação de regressão?

- Não, não podes. Mas é possível prever o valor futuro de uma variável aleatória que assumirá um valor dentro do intervalo de confiança. Se esse intervalo de confiança é 95% (5% de probabilidade sob a hipótese nula), então temos "y" dentro desse intervalo de confiança. E se você receber uma estimativa para "a" com um múltiplo de variação desse valor, você não pode prever nada.


Agora, preste atenção, não havia tal pergunta... )

Havia uma pergunta, como por exemplo

Dr. Trader:

Extrapolação implica prever novos dados além dos valores preditores conhecidos durante o treinamento.

Eu acrescentaria que não são os preditores, mas os alvos, porque, se preditores, estamos lidando com a interpolação e não com a extrapolação.

Assim, uma floresta aleatória pode interpolar (nem precisa normalizar os insumos), mas não pode extrapolar.

Emestatística, é a extensão de tendências passadas estabelecidas para um período futuro (a extrapolação no tempo é usada para estimativas prospectivas da população); extrapolação de dados amostrais para outra parte da população que não tenha sido observada (extrapolação no espaço).

Se você pegar uma árvore de regressão, ela não será capaz de propagar seus resultados para NOVOS dados, por exemplo, para citações acima de 1,4500, e sempre dará uma previsão de 1,4500, mas nunca mais e nunca menos de 1,3000, porque foi treinada em uma amostra de 1,3000-14500, por exemplo (como um alvo) e isso vem do princípio de árvores de decisão

Ao contrário das árvores, a regressão linear e uma rede neural podem fazer isso facilmente porque são construídas de acordo com princípios diferentes

Mais uma vez: novos dados fora do intervalo de treinamento podem ser alimentados para as entradas na nova amostra de RF e interpolam-nas perfeitamente. Mas no output não faz extrapolação, ou seja, os valores previstos nunca irão além do intervalo de output em que foi treinado.

 
Maxim Dmitrievsky:

Agora, preste atenção, não havia tal pergunta... )

Havia uma questão, como, por exemplo, apontada

Dr. Trader:

Extrapolação implica prever novos dados além dos valores dos preditores conhecidos durante o treinamento.

Eu acrescentaria que não são os preditores, mas os alvos, porque, se preditores, estamos lidando com a interpolação e não com a extrapolação.

Assim, uma floresta aleatória pode interpolar (nem precisa normalizar os insumos), mas não pode extrapolar.

Emestatística, é a extensão de tendências passadas estabelecidas para um período futuro (a extrapolação no tempo é usada para estimativas prospectivas da população); extrapolação de dados amostrais para outra parte da população que não tenha sido observada (extrapolação no espaço).

Se você pegar uma árvore de regressão, ela não será capaz de propagar seus resultados para NOVOS dados, por exemplo, para citações acima de 1,4500, e sempre dará uma previsão de 1,4500, mas nunca mais e nunca menos de 1,3000, porque foi treinada em uma amostra de 1,3000-14500, por exemplo (como um alvo) e isso vem do princípio de árvores de decisão

Ao contrário das árvores, a regressão linear e uma rede neural podem fazer isso facilmente porque são construídas de acordo com princípios diferentes

Mais uma vez: novos dados fora do intervalo de treinamento podem ser alimentados para as entradas na nova amostra de RF e interpolam-nas perfeitamente. Mas no output não faz extrapolação, ou seja, os valores previstos nunca irão além do intervalo de outputs para os quais foi treinado.


Não percebeste nada do meu posto. Nada de nada.


Desculpe pelo cargo por causa da sua presença.