Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 937
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Sim, você pode ter muitas aulas. Mas eu raramente trabalhei com modelos com mais de 2 classes, é sempre difícil e problemático, especialmente se uma classe ultrapassa as outras. É possível tentar, mas não espero um bom resultado, para ser honesto.
Agora é um pouco complicado - uma árvore é um filtro que sabe onde você não pode ir por muito tempo, outra árvore sabe onde você pode ir por muito tempo, e faltam duas árvores similares para os shorts. Talvez a combinação de todas essas informações em uma árvore supere as desvantagens de usar três classes, e o quebra-cabeça se reunirá :)
Sim, você pode ter muitas aulas. Mas eu raramente trabalhei com modelos com mais de 2 classes, é sempre difícil e problemático, especialmente se uma classe ultrapassa as outras. É possível tentar, mas não espero um bom resultado, para ser honesto.
Agora é um pouco complicado - uma árvore é um filtro que sabe onde você não pode ir por muito tempo, outra árvore sabe onde você pode ir por muito tempo, e faltam duas árvores similares para os shorts. Talvez a combinação de toda essa informação em uma única árvore supere as desvantagens de usar três classes, e o quebra-cabeça vai funcionar :)
Vai ser interessante ver o resultado!
Eu não sei, talvez eu devesse fazer novos alvos com lucros estúpidos, então talvez haja mais entradas. Não está nada claro com os alvos, agora muitos deles (com muitas entradas) estão a apanhar a inversão, enquanto eu não gostaria de entrar neles - penso que não há certeza da inversão, mas há certeza do fim do movimento de tendência, e pode-se esperar que se acabe - ou seja, temos lá alvos de ruído. Onde há um arquivo com um pequeno número de entradas, deve haver alvos limpos, mas também nos depararemos com diferentes tipos de entradas - fora do flat, entrada após correção para continuação do movimento e entrada para reversão (por exemplo, durante a formação da barra de pinos na TF de hora em hora). Além disso, há uma nuance como "uma janela de entrada aberta" quando a entrada é permitida durante um número decente de bares em fila - ruídos de acidentes também podem aparecer lá. Acho que talvez devesse dividir os alvos para mostrar a mesma imagem.
Já experimentou a algibeira kfold? melhora os resultados? Vi num dos seus antigos postes que não parece misturar a amostra. Tem mesmo de ser?
Alguma conclusão sobre o que é menos overtrains - floresta ou mlp? com os mesmos dados. Tenho suspeitas de que para tarefas de regressão a floresta funciona tortuosamente e devolve erros tortuosos (muito pequenos), para normas de classificação.
2. Já vi pessoas interessadas no OpCl, houve alguma ideia de reescrever NS para ele? Por exemplo, eu desisti completamente da AG como um disparate de pesadelo, agora tudo é treinado em 1 linha em 1 núcleo. Você poderia acelerá-lo no Cl (embora tão rápido quanto isso). Ou, se você treinar na Spark, é paralelo de qualquer maneira e não faz sentido.
3. mais ou menos entendeu o que você colocou sobre o idiota e como você o aplica. Grande trabalho interessante, respeito! :)
Hi)
Digitalizou o código, colocou-o na máquina de lavar e ligou-o para o ensinar.
Depois cosi o código na máquina de costura três vezes para treinar a rede neural em profundidade.
O resultado é que o código mudou além do reconhecimento, e agora pergunto-me como usá-lo no comércio...
O superbot já está pronto?
Estou à espera há dois anos.
Há alguma conclusão sobre qual é a menos sobretreinada - a floresta ou o MLP?
Há um exemplo de demonstração do NS preditivo (MLP) em um dos pacotes. Uma NS relativamente simples, a propósito. Por isso, é mesmo impossível de o reeducar. Não importa como se recicla, tudo funciona.
Portanto, a reciclagem depende, antes de mais nada, da tarefa definida para a NS. Bem, e sobre a adequação da complexidade do MLP à tarefa.
Estou a falar especificamente de algibeira e de testes sobre os mesmos dados de modelos diferentes.
Um NS é um NS. Não faz diferença, algibeira ou o quê. Se a NS se reciclar, significa que é inadequada para a tarefa definida, e que é necessário alterar a tarefa ou a estrutura da NS. E não se preocupe). Como um oficial de mandado costumava dizer... f... (Não posso falar-te das florestas, com elas não posso dizer).
Não posso dizer nada sobre a floresta, eu não trabalho com ela.
E se treinarmos a árvore sobre um não alvo em vez de um preditor? Seremos capazes de identificar os preditores não significativos, com base num bom treino? Ou seja, se o modelo de teste reconhece bem os preditores, então os outros preditores já contêm informação suficiente e o preditor é redundante e pode ser descartado. Mas e se não for sobre o preditor, mas sobre a redundância das próprias combinações únicas?
Por exemplo, eu decidi escolher o número da hora como o alvo.
O resultado na amostra de treinamento
O resultado na amostra de teste
Você pode ver que as 10 horas estão bem previstas, podemos fazer a suposição de que há condições diferentes naquele momento do que o resto da amostra? Eu acho que sim. Vou tentar agrupar o resto das horas, talvez desta forma possamos distinguir melhor as peculiaridades do comportamento dos preços nestes intervalos de tempo.
E se treinarmos a árvore sobre um não alvo em vez de um preditor? Seremos capazes de identificar os preditores não significativos, com base num bom treino? Ou seja, se o modelo de teste reconhece bem os preditores, então os outros preditores já contêm informação suficiente e o preditor é redundante e pode ser descartado. Mas e se não for sobre o preditor, mas sobre a redundância das próprias combinações únicas?
Por exemplo, eu decidi escolher o número da hora como o alvo.
O resultado na amostra de treinamento
O resultado na amostra de teste
Você pode ver que as 10 horas estão bem previstas, podemos fazer a suposição de que há condições diferentes naquele momento do que o resto da amostra? Eu acho que sim. Vou tentar agrupar o resto das horas, talvez isso me ajude a distinguir melhor as peculiaridades do comportamento dos preços nesses intervalos de tempo.
Um dia provavelmente não é suficiente). Na verdade, é uma especialidade). Tem sido estudado durante anos, mesmo uma vida inteira de vida activa.
NS, não lembra, mas é amplamente utilizado em DSP. A questão da aplicação de NS em DSP é a formulação correta do problema para NS. Digamos que uma aplicação de NS é a filtragem, incluindo a filtragem adaptativa.
A propósito, NS vai funcionar bem quando você der uma tarefa bem específica, não trazer isso, eu não sei o quê.
Eu continuo a entrar nisso.
Estudei esta ficção durante 5 anos e não consegui sequer imaginar que fosse possível aplicá-la num fórum.
Em resumo, NS é um filtro comum adaptativo e não recursivo.
Há muitas variedades.
Com um professor, sem um professor, etc.
Preditores - coeficientes de filtragem digital. É hilariante, porque é elementar, e estás a espezinhar a ciência... É tudo tão antigo como o tempo. (É tudo tão antigo como nos anos 50).
Você me diz - você já fez uma cega, ou você usa um input/output com treinamento?
//Blind é quando você não sabe qual é a saída e não há nada para compará-la com... Dizem que neste caso o objectivo principal é reduzir o ruído.
// E se você for um avistado, a previsão é calculada com vetor de erro, que é então filtrado. Mas há um atraso no processamento, pelo menos por um tick.