Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1808
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
Obrigado por tentares.
Qual ZZ você usou? Podes enviar-me um par de ZZs marcados com alcances diferentes?
Eu quero agrupar as divisões agora, assim haverá menos combinações.
Por favor...
200 ou 300 em valores absolutos.
ZZ por equilíbrio? Diga-me em que intervalos está interessado.
Ou talvez estudar um pouco de R? ;)
5 linhas de código, e você conseguiu o que queria.
É melhor assim. Menos lixo intermediário desnecessário.
Boa sorte.
É melhor assim. Menos lixo intermediário desnecessário.
Boa sorte.
Obrigado Vladimir, nem sabia que você podia fazer isso )!!! Eu amo R, sempre uma surpresa agradável!
Quando é que me vai mostrar como fazer uma amostra dos dados e como os transferir para novos dados?)
Bem, pensei que te tinha dado um link para um artigo. Aqui está.
O pacote "discretização" é utilizado.
"Discretização é o processo de converter uma variável contínua em discreta, dividindo seu valor em intervalos, usando vários métodos para determinar os limites.
Dois grupos de métodos de discretização podem ser distinguidos: quantitativos, sem referência ao alvo, e com referência a intervalos de correspondência com o alvo.
O primeiro grupo de métodos é quase inteiramente coberto pelo cut2()::Hmisc. É possível dividir a amostra em um número predeterminado de áreas, com limites específicos, em quartis, especificando o número mínimo de exemplos em cada área, em áreas de igual frequência.
O segundo grupo de métodos é mais interessante, pois divide a variável em parcelas associadas aos níveis do alvo. Vamos considerar vários pacotes implementando estes métodos.
Discretização. Este pacote é um conjunto de algoritmos de discretização com um professor. Também pode ser agrupado em termos de implementação de cima para baixo ou de baixo para cima de algoritmos de discretização. Vamos olhar para alguns deles usando o nossoDataSet como exemplo".
Nós usamosdiscretização::mdlp(), que descreve a discretização usando o princípio do comprimento mínimo da descrição. Esta função discretiza atributos contínuos da matriz de dados usando o critério de entropia com comprimento mínimo de descrição como regra de parada. Divide-se perfeitamente, mas leva muito tempo. Nós usamos base::findinterval() para discretizar o conjunto de testes. Há funções e exemplos no artigo. Este não é o único pacote de amostras. Em outros artigos nós usamos: glmdisc, smbinning, cutpointr (para alvo binário), woeBinning e outros. Estes são os pacotes na CRAN. Existe um bom pacote MOB- instale a partir do Github. Eu verifiquei estes e eles funcionam. Depende do tipo de dados que você quer amostrar (desgraça, lixo, cru...).
Experimenta.
Boa sorte.
Depende da forma em que você quer que o resultado da amostragem (ai, caixote do lixo, cru...)
Como o que você quer)))) Mas isso não significa que esteja certo) Gruuuus...........
Bem, pensei que te tinha dado um link para um artigo. Aqui está.
O pacote "discretização" é usado.
Não, você não fez :)
Procurei em diferentes pacotes e li artigos, mas não descobri como trabalhar com novos dados quando discretamente, talvez eu não tenha parecido bem, de qualquer forma, obrigado pelo esclarecimento.
Bem, pensei que te tinha dado um link para um artigo. Aqui está.
Há muitosartigos, a pesquisa é interessante, mas existe algum sammari sobre os resultados práticos?
Quero dizer, até que ponto funciona bem no mercado real?
Há muitosartigos, a pesquisa é interessante, mas existe algum sammari sobre os resultados práticos?
Quero dizer, quão bem funciona tudo isto no mercado real?
Pois é. Acredite na sua palavra?
Todos os códigos estão dispostos. Vá lá, experimenta.
O mais importante não são os modelos, apesar de serem importantes. O que é importante são os preditores e sua preparação (pré-processamento). Quanto melhor forem preparados os dados, mais fácil será a utilização dos modelos.
Boa sorte.
Funciona. Vai acreditar na minha palavra?
Todos os códigos estão dispostos. Constrói-a, experimenta.
O mais importante não são os modelos, apesar de serem importantes. O que é importante são os preditores e sua preparação (pré-processamento). Quanto melhor forem preparados os dados, mais fácil será a utilização dos modelos.
Boa sorte.
Mas antes de eu passar uma semana nisso, você pode me dar um link para um artigo que comece com uma frase como"O método descrito acima dá tais resultados no mercado real... "e depois um par de gráficos ou uma tabela.
Claro que vou acreditar, vou ler tudo cuidadosamente e analisar o código, especialmente agora não há nada a fazer, há muito tempo.
Mas antes de eu passar uma semana nisso, você pode me dar um link para um artigo que comece com uma frase como"O método descrito acima dá tais resultados no mercado real... "e depois um par de gráficos ou uma tabela.
Bem, quase todos os outros artigos terminam com um teste sobre novos dados.
aí está ele