Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2875
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
Estou interessado no tópico de algoritmos com um número arbitrário de recursos. Conheço as redes recorrentes - gostaria de ter o mesmo, mas sem malhas.
- Estou interessado no tópico de algoritmos com um número arbitrário de recursos. Tenho conhecimento sobre redes recorrentes - gostaria de ter o mesmo, mas sem malhas.
*Você pode usar algoritmos de aprendizado de máquina, como regressão linear, regressão logística ou árvore de decisão, que podem lidar com um número arbitrário de recursos. Eles exigem menos computação do que as redes recorrentes e geralmente são mais rápidos.
Entretanto, as redes recorrentes podem ser eficazes quando você precisa lidar com sequências de dados, como texto, mensagens de voz ou dados de movimento. As redes recorrentes podem se lembrar do contexto das etapas anteriores e usá-lo para prever a próxima etapa. Isso pode ser útil, por exemplo, na análise de textos, em que as palavras podem ter significados diferentes dependendo do contexto.
- O que se quer dizer é que são construídas funções recursivas que podem depender de um número arbitrário de argumentos, mas são definidas por funções comuns a partir de um número fixo de argumentos. O exemplo mais simples é a média exponencial.
*Você descreveu corretamente as funções recursivas que são definidas por meio delas mesmas. Elas podem depender de qualquer número de argumentos, mas geralmente de um número fixo de argumentos.
Você deu um exemplo de uma média exponencial, que é uma função recursiva definida da seguinte forma:
EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n
Em que EMAvolume(t) é a média exponencial do volume de negociação na t-ésima etapa, volume(t) é o volume de negociação na t-ésima etapa, n é uma constante que leva em conta os pesos das etapas anteriores.
As funções de recorrência podem ser úteis para modelar sequências de dados e são usadas em vários campos, como finanças, biologia e ciência da computação.
- As redes de recorrência podem ser assim, mas eu gostaria de uma sem malhas.
*Se quiser trabalhar com funções recorrentes sem usar redes de recorrência, você pode usar algoritmos de aprendizado de máquina, como regressão linear, regressão logística ou árvores de decisão, que podem trabalhar com sequências de dados. Eles podem usar funções recorrentes como recursos e prever resultados com base em um conjunto de recursos.
No entanto, esses algoritmos podem ser menos eficientes do que as redes recorrentes quando é necessário lidar com um grande número de sequências de dados, pois as redes recorrentes têm alguns recursos para lidar com sequências de forma eficiente que outros algoritmos não têm.
Prossiga
Em alguns casos, as redes recorrentes podem ser difíceis de treinar e ter alta complexidade computacional, pois exigem um grande número de cálculos para lidar com as sequências. Nesse caso, pode ser apropriado usar algoritmos de aprendizado de máquina, como regressão linear, regressão logística ou árvores de decisão, que exigem menos cálculos e são executados mais rapidamente.
Entretanto, se estiver trabalhando com sequências de dados que exigem contexto de etapas anteriores, as redes recorrentes podem ser uma solução melhor do que outros algoritmos de aprendizado de máquina. Nesse caso, você deve considerar todas as opções disponíveis e escolher n
- Idealmente, o algoritmo deve receber como entrada todo o histórico disponível, que obviamente cresce com o tempo. Ele deve decidir em quais partes cortá-lo e o que fazer com elas.
*Sim, idealmente, o algoritmo deveria ser capaz de trabalhar com um número arbitrário de recursos e determinar por conta própria quais são os mais importantes para a previsão. Entretanto, isso pode ser difícil para alguns algoritmos de aprendizado de máquina que exigem particionamento manual de recursos ou um número fixo de recursos. Um algoritmo que pode lidar com um número arbitrário de recursos é o gradient bousting. Esse algoritmo usa uma composição de pequenas árvores de decisão, cada uma considerando apenas um pequeno número de recursos, e as acumula em uma soma para produzir o algoritmo final. Esse algoritmo pode determinar de forma independente quais recursos são os mais importantes para a previsão.
Também podem ser usadas redes neurais com camadas totalmente conectadas, que também podem lidar com um número arbitrário de recursos. Entretanto, essas redes podem ser menos eficazes ao lidar com sequências de dados, pois não levam em conta as dependências entre as etapas.
Isso é loucura, ensine um tolo a rezar, ele quebrará a testa. Dê a Maxim um gpt3 he....
Sugiro que mantenha seu visor um pouco abaixado.
Estamos explorando as possibilidades do algoritmo.A questão é se você pode, por meio de consultas, reinserir o perfil e obter um novo token. Você sabe como fazer isso?
Infelizmente, não com autorização.
Isso é o suficiente
Além disso, eles produzem aproximadamente os mesmos resultados, mas o bousting é mais rápido e mais flexível.
Isso já foi dito 100 vezes*Você pode
Você precisa esperar o GPT4 aparecer para extrair significado desse texto. Não consegui)
Não entendo como a regressão logística pode funcionar com diferentes números de recursos.
Você precisa esperar o GPT4 aparecer para extrair significado desse texto. Eu não entendi)
Não vejo como a regressão logística pode funcionar com um número diferente de recursos.
Tente ser específico, eu perguntarei
Talvez pedir um exemplo simples de uso da regressão logística em uma tarefa de classificação com um número variável de recursos?
Talvez pedir um exemplo simples de uso da regressão logística em uma tarefa de classificação com um número variável de recursos?