Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2761

 
Maxim Dmitrievsky #:
Não vi nenhuma seleção significativa de recursos nesses artigos. Significativa no sentido de não escolher entre uma pilha, mas de criar um chip-alvo de marcação informativo de uma só vez. É possível selecionar recursos de destino para qualquer recurso. Isso é impossível com incrementos. Teremos que selecionar atributos de destino em atributos de destino.

Aleatório é quando as transações são semeadas do zero em todas as direções com diferentes durações e sonhadas, dependendo do resultado

"Significativo" - isso está de acordo com as imagens que forneci, que fazem"marcação informativa de chip-alvo de uma só vez".

E o que você quer dizer com "significativo"?

 
СанСаныч Фоменко #:

"Significativo" está de acordo com as imagens que citei, que é o que torna a"marcação informativa direcionada à ficha de uma só vez"

E o que você quer dizer com a palavra "significativo"?

Bem, se eles fazem isso de uma só vez, então tudo bem. Não me lembro disso. Qual é o nome do artigo? Vou lê-lo mais tarde
 
Maxim Dmitrievsky #:
Bem, se eles fizerem isso imediatamente, está tudo bem. Não me lembro disso. Qual é o nome do artigo? Vou ler mais tarde

Aqui, de VLADIMIR PERERVENKO. Ele tem um ciclo completo de artigos que começam com a mineração de dados. Meu ponto de vista coincide com o dele em muitos aspectos, exceto pelo modelo em si. Eu o considero excessivamente complexo para nossas necessidades.

Глубокие нейросети (Часть II). Разработка и выбор предикторов
Глубокие нейросети (Часть II). Разработка и выбор предикторов
  • www.mql5.com
Во второй статье из серии о глубоких нейросетях рассматриваются трансформация и выбор предикторов в процессе подготовки данных для обучения модели.
 
СанСаныч Фоменко # :

"Significativo" é pelas imagens que forneci, que tornam a "marcação informativa direcionada à ficha de uma só vez

A imagem daqui https://www.mql5.com/ru/articles/3507 é assim chamada - Fig.12. Variação e covariância de um conjunto de 2 trens

da covariância à correlação é 1 passo.... (mas você é um gênio e todos se ofendem, então pesquise você mesmo no Google).... Sucesso para você no aperfeiçoamento de seu aparato conceitual ... quando você entender o significado das palavras, a pseudogenialidade de seu jargão e a falsidade de seus supostos argumentos se dissiparão em um piscar de olhos ... você não pode mudar a lógica com seus gritos.

-- Em geral, o tópico não mudou, ainda há gargantas rasgadas tentando proclamar sua genialidade, inventando uma bicicleta - "pioneiros", por assim dizer...

Машинное обучение в трейдинге: теория, модели, практика и алготорговля
Машинное обучение в трейдинге: теория, модели, практика и алготорговля
  • 2022.09.27
  • www.mql5.com
Добрый день всем, Знаю, что есть на форуме энтузиасты machine learning и статистики...
 
СанСаныч Фоменко #:

Aqui, de VLADIMIR PERERVENKO. Ele tem um ciclo sistematicamente completo de artigos, começando com a mineração de dados. Meu ponto de vista coincide com o dele em muitos aspectos, exceto no que se refere ao modelo em si. Considero-o excessivamente complicado para nossas necessidades.

Não vi nenhuma marcação do alvo para atributos específicos. Tomamos um incremento com uma defasagem arbitrária. Isso será informativo apenas para determinados alvos e não informativo para outros.

Acabei de verificar quais atributos são mais adequados para alvos específicos.
 
Maxim Dmitrievsky #:
Não vi nenhuma marcação da meta para recursos específicos. Tomamos um incremento com uma defasagem arbitrária. Ele será informativo apenas para determinadas metas e não informativo para outras.

Acabei de verificar quais atributos são mais adequados para alvos específicos.

Não estou entendendo isso. O que significa marcação?

Os pares alvo-predicador estão relacionados e o par existe precisamente porque estão relacionados. E já é bastante difícil encontrar esses pares. Quanto mais forte for o vínculo, menor será o erro de ajuste. Para outro alvo, o problema do preditor é diferente.

 
СанСаныч Фоменко #:

Não estou entendendo isso. O que significa marcações?

O par alvo-predicador está relacionado e o par existe precisamente porque está relacionado. E já é bastante difícil encontrar esses pares. Quanto mais forte for o vínculo, menor será o erro de ajuste. Para o outro alvo, o problema do preditor é diferente.

Inicialmente, seus sinais não estão relacionados aos sinais-alvo, porque os sinais-alvo são sinais de incremento, ou seja, sinais sem significado

Então, entre dezenas e centenas de sinais, você escolhe os mais relevantes para esses alvos. Essa é a abordagem mais ineficiente, mas tem seu lugar.

Assim, você classifica gatos e cachorros, duas classes. E na entrada, como recursos, você fornece cascos de camelo, rabos de peixe, mamas, colheres de chá, velocidade da luz e assim por diante. É claro que, às vezes, você consegue entrar, mas é muito difícil.

A situação é complicada pelo fato de que há gatos e cachorros misturados também, porque os sinais de incrementos não são um objeto específico que é previsto, mas apenas uma pequena parte dele, por exemplo, uma perna. E essa perna pode ser a de um cachorro, mas no momento você a vê como a de um gato.

Portanto, ou há uma busca rígida de tudo e qualquer coisa, ou alvos inerentemente construídos com base em características.

Prado, em seu livro, fez a primeira tentativa de fazer a marcação de classe através da barreira tripla para distinguir as classes com mais clareza. Mas essa abordagem ainda parece ingênua para mim.
 
Maxim Dmitrievsky #:
Inicialmente, seus sinais não pertencem aos sinais-alvo, porque os sinais-alvo são sinais de incremento, ou seja, sinais sem significado

Então, entre dezenas e centenas de sinais, você escolhe os mais apropriados para esses alvos. Essa é a abordagem mais ineficiente, mas tem seu lugar.

Assim, você classifica cães e gatos, duas classes. E na entrada, como recursos, você fornece cascos de camelo, rabos de peixe, mamas, colheres de chá, velocidade da luz e assim por diante. É claro que, às vezes, você consegue entrar, mas é muito difícil.

A situação é complicada pelo fato de que há gatos e cachorros misturados também, porque os sinais de incrementos não são um objeto específico que é previsto, mas apenas uma pequena parte dele, por exemplo, uma perna. E essa perna pode ser a de um cachorro, mas no momento você a vê como a de um gato.

Portanto, ou há uma busca rígida de tudo e qualquer coisa, ou alvos inerentemente construídos com base em características.
Espero estar errado, mas minha impressão é que as características não são entendidas da mesma forma.

 
Valeriy Yastremskiy #:
Espero estar errado, mas tenho a impressão de que os atributos não são entendidos da mesma forma.
Os recursos são o que é alimentado na entrada do NS, e os rótulos de classe são alimentados na saída.

Um recurso deve representar informações parciais sobre o objeto que está sendo classificado, por isso é um recurso. Uma marca distintiva, se preferir.

Do meu ponto de vista, desde que não seja definido o que exatamente está sendo classificado, todas essas 100 maneiras sofisticadas de ajuste darão o mesmo resultado
 
Maxim Dmitrievsky #:
As características são o que é alimentado na entrada NS, e os rótulos de classe são alimentados na saída.

Uma característica deve representar informações parciais sobre o objeto que está sendo classificado, é isso que é uma característica. Uma insígnia, se preferir.

Do meu ponto de vista, desde que não seja definido o que exatamente está sendo classificado, todas essas 100 maneiras sofisticadas de ajuste terão o mesmo resultado

São possíveis sinais indiretos? Por exemplo, cães e gatos brigam com frequência, mas é mais provável que os cães persigam os gatos. São dados: dois objetos e seus movimentos. A tarefa: determinar qual deles é um gato e qual é um cachorro, tendo verificado uma vez por meio de dados factuais e, nas vezes seguintes, determinar independentemente quem é quem. Sabemos com certeza que um deles é um gato e o outro é um cachorro, mas não podemos ver sua silhueta nem ouvi-los, nem mesmo podemos ver seus traços, apenas a coordenada do movimento. Alimentamos a rede neural com o movimento de objetos para frente e para trás (COMPRA-VENDA). No processo de "pensamento" e multiplicação de pesos, a rede neural nos classificou que um objeto está sempre correndo à frente e o outro atrás dele (MA_5[0] > MA_10[0]) e fez uma suposição: o cão está se movendo à frente agora? Verificou isso com os dados reais, obteve a resposta (NÃO), corrigiu os dados, presumiu que era um gato, verificou - (SIM). Agora a rede neural sabe como determinar quem é um gato e quem é um cachorro pela luta e pelo movimento dos objetos. Ao mesmo tempo, ela não recebeu patas, pedaços de pelo, dentes, latidos ou miados.

Ou seja, parece que a rede neural pode ser alimentada com muitas coisas e encontrará algo e o encontrará de tal forma(Hercule Poirot) que dará a resposta necessária. Ou seja, o recurso, nesse caso, não representa informações parciais sobre o objeto que está sendo classificado, mas uma solução é possível.