Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1231
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
Em teoria, já posso executar milhares de simulações em amostras com certas características estatísticas... basta decidir sobre a janela, embora também possa ser pesquisada.
Tenho sempre janela móvel = 3600 valores (definidos como 6x6x10x10, onde 6 é quantil, cobrindo quase qualquer distribuição unimodal de Petunin-Vysokovsky). É possível fazer povarismo - veja.
Mas isso não muda a essência da questão - temos de garantir, por todos os meios, que as redes neurais com séries com uma distribuição rígida de probabilidade de retornados funcionem ou não. Uma tabela de resultados de pesquisa no estúdio! E depois vamos continuar.
P.S. E o otário Asaulenko não vale a pena ouvir - ele sabe muito e não sabe nada. Ámen.
Olá, A_K. Já estou a ver, recuperado da estreia falhada, já a dar-te um pontapé no rabo). Volta para a tua linha, as pessoas estão lá à tua espera, e não é nada antes do Ano Novo.
E mudar o conceito. Talvez tenhas tanta sorte.
Isto é, as características estatísticas não devem ser retiradas do preço mas sim do retorno, estou certo?
Estamos interessados apenas na distribuição de retornos e nada mais. Estamos apenas interessados em distribuições de retornos e nada mais.
Ei, A_K. Vejo que recuperaste da estreia decepcionante, já estás a dar pontapés na cauda). Volta para a tua filial, tens pessoas à tua espera lá, e não falta muito para a véspera de Ano Novo.
E mudar o conceito. Talvez tenhas sorte.
Hi!
Não, voltarei lá com os resultados depois do Ano Novo, ou talvez não. Eu não queria dar graffiti, lá em um galho e assim mais do que necessário escrito.
Acho que Kesha e Misha não precisam ser julgadas, senão a história mudará e não haverá muito do que rir.
Eu apoio isso.
Kesha é obviamente um dos investidores que perseguem Aliosha. E tendo desesperado por encontrá-lo, ele chegou a este fio promovendo os lençóis compridos do seu avô SanSanych. Aliciante, por assim dizer...
Sim, o diplearn precisa ser bem digerido, eu queria fazer NLP\NLU por muito tempo, mas infelizmente ainda não tenho tempo, se eu pudesse analisar as redes sociais mesmo um pouco melhor do que o aleatório, que suborno seria angariar...
Algo não está claro. É como se o VR fosse convertido numa imagem, e depois...
Para mgc, o principal é o alinhamento, desde que a variação seja razoável. É usado para reduzir a dimensionalidade
e para combater a multicolinearidade, bem como para fins de reconhecimento. Flutuar
flutuará um pouco, e quanto melhor o pré-processamento, menos. Faz sentido, mas não tanto como o Fasal, porque
tende a consumir informações úteis. "A flutuabilidade pode ser reduzida não só através do pré-processamento, mas também
A "flutuação" pode ser reduzida não apenas pelo pré-processamento, mas também pelo pós-processamento, como mostra o exemplo novamente para Fa em "flexão" logloss, etc., que, por sua vez, pode ser usado para corrigir
pode ser usado para corrigir as probabilidades antes de lançar, onde você quiser... mas você não deve
mas não fique muito excitado, só há uma melhoria de 1-2%. Após algumas ou três corridas, desde que o pré-processamento seja feito com antecedência.
de pré-processamento e amostras suficientes, a fórmula para os componentes necessários é tomada e o chip é feito, sempre que
antes que o guizo do guizo do guizo do guizo do guizo do guizo não esteja pronto. etc... Um exemplo simples de como olhar para (2 ist ivert,
mas não a questão)... Toda esta porcaria, assim como outras coisas sobre o amador, eu vi com os meus próprios olhos há muito tempo, sem grande utilidade...
Passei muito tempo em todos os diferentes componentes principais, e depois trabalhei uma coisa muito simples, e é geral.
Digamos que fizemos um PCA e obtivemos os coeficientes para multiplicar os preditores por.
Agora mudamos a janela (chega uma nova barra) e o que devemos fazer - recalcular os coeficientes? É assim que se faz no testador. E se não os recalcularmos, ainda temos os componentes principais?
E agora vamos pensar numa regressão linear comum. Tem os mesmos coeficientes mas mostra uma tabela onde podemos ver que os coeficientes são números aleatórios com tudo o que isso implica, incluindo o fato de que o erro pode exceder o valor facial do coeficiente.
Como é que os componentes principais são melhores?
Não se trata dos componentes principais. Não estamos interessados na análise do passado, tomamos alguns parâmetros do passado, pois não há lugar para tomá-los, mas estes parâmetros NÃO devem mudar. Esta é uma regra geral. Ao construir um TS, é necessário comprovar a constância/fraqueza da variabilidade dos parâmetros obtidos.
Mais uma vez, temos de lidar com a estacionariedade.
Não estamos interessados em analisar o passado, nós tomamos certos parâmetros do passado porque não há para onde levá-los, mas estes parâmetros NÃO devem mudar. Esta é a regra geral. Ao construir um TS, é necessário provar a constância/fraqueza da variabilidade dos parâmetros obtidos.
Mais uma vez estamos presos com a estacionariedade.
É possível tentar fazer suposições sobre a estrutura da não-estacionariedade. Por exemplo, uma opção óbvia é a suposição de estacionaridade por partes. Neste caso devemos, às vezes, descartar a história obsoleta (encontrar uma descontinuidade).
Pode-se tentar fazer suposições sobre a estrutura da não-estacionariedade. Por exemplo, uma opção óbvia é a suposição de estacionaridade por partes. Neste caso, devemos, às vezes, descartar o histórico obsoleto (encontrar uma descontinuidade).
Não é uma história obsoleta, mas secções não estacionárias.
Muito bem, Alexey - finalmente a matemática aplicada apanhou o jeito, não apenas o pensamento graal.
Não é uma história ultrapassada, mas parcelas instáveis.
Muito bem, Alexey - finalmente alguma matemática aplicada e não apenas o raciocínio graal.