Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3074
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
Formule sua pergunta novamente.
Se você já negociou no Forex real, eles não aumentam o spread à noite, por volta da uma da manhã? Exatamente como nas cozinhas comuns.
.
Sim, o M5)
Vou repetir agora) Ainda bem que tenho o enidesk e acesso ao meu computador do trabalho))))
270 dólares e o melhor sl 11500, no geral 5200 sl e 350 tp é praticamente o mesmo resultado.
Talvez o spread seja grande. Eu tenho mais lucro, mas no geral a curva é a mesma. Sim, foi uma curva de aprendizado um pouco difícil nos últimos anos. Mas as anteriores são melhores.
No mercado, esse ótimo está mudando constantemente - como o terreno do planeta após um terremoto.... e, portanto, nossa tarefa é prever quando isso acontecerá, ou depois, mas o mais importante é o momento em que será necessário buscar um novo ótimo....
Artigo comparando diferentes métodos. Além dos vídeos e do livro. Ele contém muitas referências a outros documentos.
A partir dessa imagem.
Para o MO, a amostragem sequencial não é aceitável - apenas a amostragem aleatória, e não apenas aleatória.
A partir desta imagem.
Para o MO, a amostragem sequencial não é aceitável - apenas a amostragem aleatória, e não apenas a amostragem aleatória.
Documento comparando diferentes métodos. Além dos vídeos e do livro. Ele contém muitas referências a outros artigos.
Artigo maravilhoso!
Pelo que entendi dos aplicativos, o resultado da classificação depende não apenas da qualidade dos dados originais, mas também de como formamos o conjunto de treinamento e avaliação. E de outra coisa que ainda não entendi.
Artigo maravilhoso!
Pelo que entendi dos aplicativos, o resultado da classificação depende não apenas da qualidade dos dados originais, mas também de como formamos o conjunto de treinamento e avaliação. E de algo mais, que ainda não entendi.
Hehe. Assistir a mais vídeos antes deste pode esclarecer a situação. A questão é encontrar essas amostras nos dados, digamos, X com um vetor de valores de recursos W, que reagem da melhor forma possível ao treinamento (treinamento do modelo, no nosso caso) e alocá-las na classe "para negociar", quando é melhor não tocar nas outras, "não para negociar", porque elas reagem mal ao treinamento (em novos dados, o modelo comete um erro ao incluí-las no grupo de treinamento). Em marketing, esses são exemplos de usuários. Em que uma amostra de usuários será afetada por uma campanha publicitária, mas não vale a pena usar o orçamento da campanha publicitária em outros.
Eu entendo dessa forma no contexto do TC.
Hehehe. Dê uma olhada em outros vídeos antes deste, talvez isso esclareça a situação. A questão é encontrar essas amostras nos dados, digamos, X com um vetor de valores de recursos W, que reagem da melhor forma possível ao tratamento (treinamento do modelo, no nosso caso) e alocá-las na classe "para negociar", quando é melhor não tocar nas outras, "não para negociar", porque elas não reagem bem ao treinamento (em novos dados, o modelo comete um erro ao incluí-las no grupo de tratamento). Em marketing, esses são exemplos de usuários. Quando uma amostra de usuários será afetada por uma campanha publicitária, mas é inadequado usar o orçamento da campanha publicitária em outros.
Entendo isso dessa forma no contexto do TC.
Seu entendimento tem um cheiro persistente de determinismo, enquanto o artigo é a apoteose da aleatoriedade e até mesmo de dados desequilibrados. Não há seleção de amostras, é o oposto. Recomendamos o X-learner, que
primeiro estima as duas funções de resposta µ(x, 1) e µ(x, 0). Em seguida, ele usa essas estimativas para imputar os efeitos individuais não observados do tratamento para o tratado, ˜ξ 1 i , e o controle, ˜ξ 0 i . Os efeitos imputados são, por sua vez, usados como pseudo-resultados para estimar os efeitos do tratamento na amostra tratada, τ (x, 1), e na amostra de controle, τ (x, 0), respectivamente. A estimativa CATE final τ (x) é, então, uma média ponderada dessas estimativas de efeito do tratamento ponderadas pelo escore de propensão, e(x). Assim, o X-learner usa adicionalmente as informações dos tratados para aprender sobre os controles e vice-versa em um estilo de regressão cruzada, daí o termo X em seu rótulo de nomeação.
Nada como uma "boa" seleção.