Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2396
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 obtê-lo a partir dos meus artigos. Bem, o testador é o mais fácil. Posso enviar-lhe alguns exemplos de bot baseado em Python.
Bem, eu também tenho algo - baseado em testes rápidos das minhas ideias. Mas é um bocado usado para acabar a funcionar com um testador normal. Achas que vale a pena livrares-te deste hábito? )
Bem, eu também tenho algo, aperfeiçoado para testar as minhas ideias rapidamente. Mas já é um pouco hábito acabar a geri-la no testador normal. Achas que vale a pena livrares-te deste hábito? )
MacBooks estão rasgando e jurando com os novos processadores em tarefas MoD. A má notícia é que o CatBoost ainda não suporta a arquitetura de braços, mas eles estão trabalhando nisso.
Conclusão
A partir destes testes, parece que
Naturalmente, essas métricas só podem ser consideradas para tipos e profundidades de redes neurais similares às usadas neste teste.
Para grandes treinamentos e computação intensiva com duração superior a 20 minutos, ainda vou em busca de soluções baseadas na nuvem, pois elas fornecem cartões construídos para cargas tão longas e permitem o envio de vários trabalhos simultaneamente. Mas este cenário é apenas para algumas pesquisas específicas que representam apenas 10% do meu trabalho, a maioria para uso profissional em alguma área de negócio específica.
Como engenheiro de aprendizagem de máquinas, para a minha pesquisa pessoal diária, o M1 Mac é claramente a melhor e a opção mais rentável hoje em dia.
https://towardsdatascience.com/benchmark-m1-part-2-vs-20-cores-xeon-vs-amd-epyc-16-and-32-cores-8e394d56003d
Alguém está familiarizado com este tipo de formação de professores?
Quando o professor não é uma etiqueta mas a própria pessoa, a pessoa clica na imagem que gosta e a AMO tenta separar esta imagem de tudo o resto e encontrar as mesmas imagens com o mesmo resultado na imagem...
Alguém sabe se existe tal treinamento e se sim, como se chama?
Eu sei como implementá-lo, mas talvez haja um ready-made?
Eu também queria expressar um pensamento em voz alta. Um pensamento sobre o tema da não-estacionariedade. É claro como usar o método K-nearest vizinho nas suas condições. Tomamos os últimos padrões N no tempo a partir do qual escolhemos K vizinhos mais próximos e tomamos uma decisão com base neles. A simplicidade vem essencialmente da ausência de aprendizagem. Será que existem outros algoritmos de MO que sejam fáceis de usar de uma forma semelhante?
Pesquisei e investiguei muito com este método, bem como o método em si, não sei porquê, mas é o mais próximo e intuitivo para mim...
Este método é da família das "previsões sem modelo".
É conhecido na Rede como "predição por análogos da pré-história" , "método de complexação de análogos do MSUA", etc...
Era uma vez usado para previsão do tempo...
Em essência, é o agrupamento habitual, só que mais preciso... A diferença é apenas que no centro habitual de um cluster (protótipo) é algo no meio entre analógicos, e o método dado o centro de um cluster é o preço actual ou o que quer que seja, assim é possível encontrar analógicos para o momento actual com maior precisão...
Até procurei padrões multidimensionais, até inventei a minha própria mini-metodologia para procurar padrões na pré-história, por isso, estou muito envolvida neste tópico...
Tenho pesquisado e pesquisado muito com este método e o método em si, não sei porquê, mas é o mais próximo e intuitivo para mim.
Está na família "sem previsões de modelos".
É conhecido na Rede como "predição por análogos da pré-história" , "método de complexação de análogos do MSUA", etc...
Era uma vez usado para previsão do tempo...
Em essência, é o agrupamento habitual, só que mais preciso... A diferença é apenas que no centro habitual de um cluster (protótipo) é algo no meio entre analógicos, e o método dado o centro de um cluster é o preço actual ou o que quer que seja, assim é possível encontrar analógicos mais precisamente para o momento actual...
Até procurei padrões multidimensionais, até inventei o meu próprio mini método para procurar padrões na pré-história, estou muito envolvido neste tópico...
O método é intuitivamente óbvio, por isso é impossível de evitar. Mas eu quero algum tipo de variedade. Por exemplo, algum modelo simples de requalificação, quando um novo exemplo é adicionado e os obsoletos são descartados.
Aleksey Nikolayev:
Alguns modelos simples de requalificação, onde um novo exemplo é adicionado e os obsoletos são expulsos.
Ou atirar fora exemplos obsoletos quando o tempo é demasiado importante em comparação com outros.
Ou atirar fora exemplos obsoletos quando o tempo se revela uma característica demasiado significativa em comparação com outros.
Não vejo qual é a diferença entre a sua ideia e a constante reciclagem da AMO na janela deslizante...
Você tira as últimas n imagens da atual, ordenadas pelo tempo, faz uma previsão com base nelas, o que é suposto isso conseguir?
Você só se retrai numa janela deslizante como com o AMO acima, qual é a vantagem?