Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3083
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
Para transformar parâmetros incômodos em funções, você pode usar os valores de saída do RF ou de qualquer algoritmo básico, como no artigo. Para os completamente desinformados: substitua os valores dos parâmetros selecionados por valores de função. Então, a regressão linear (ou qualquer outro algoritmo) será o meta lerner por meio do qual o efeito do tratamento é avaliado. Por que e como tudo isso funciona - aprenda a matemática.
Para entendê-la, basta começar a pensar com sua cabeça. Mas Sanych começará a fazer bobagens novamente, porque ele só quer dizer algo sem pensar. Sanych, sua falta de compreensão é tão grande que você cita os parâmetros de RF como algum tipo de prova, o que é absolutamente inacreditável. Já lhe escrevi três vezes: esqueça a RF. Pela última vez: estude o assunto e depois discurse. Caso contrário, as mesmas pessoas não instruídas acreditarão cegamente em você.
E não responda às minhas postagens com a desenvoltura de um sabe-tudo (o que é irritante), porque você não sabe nada, e isso parece o delírio de um ptuschnik.
Todas as referências a fontes são fornecidas no artigo. Vocês precisam ser cutucados a cada palavra como gatinhos cegos? Ou, afinal, vocês são adultos?
Eu estava discutindo o artigo, não seu número no bolso, que, acredito, é muito grande de acordo com a lista de literatura a que você se refere.
Se você tem um desejo tão ardente de continuar a discussão sobre o artigo que postou, estou pronto para continuar, mas: apenas o artigo e apenas meus argumentos, e de uma forma que exclua a grosseria proibitiva de sua parte.
O artigo discutiu a RF. Não vi nenhuma outra função que calculasse o erro de ajuste, bem como o próprio ajuste. Portanto, tenha a gentileza de pegar o texto do artigo e fornecer uma citação específica que refute essa ideia.
Tenho uma pergunta para os especialistas em aprendizado de máquina. Se eu usar os dados de um personagem para treinamento, os dados de outro personagem para validação e os dados de um terceiro personagem para teste, essa é uma boa prática?
Além disso, obtenho os seguintes resultados dos dados de teste: as células verdes são muito boas, as amarelas são boas e as vermelhas são médias.
E também uma pergunta sobre a modificação dos dados para treinar o modelo. Notei que o modelo tem dificuldade para encontrar extremos, no meu caso, valores acima de 60 e valores abaixo de 40.
Assim, encontro valores acima de 60 e abaixo de 40 nos dados de treinamento, que adicionalmente adiciono novamente aos dados de treinamento antes de inseri-los no modelo, portanto, a pergunta é: posso melhorar a precisão do modelo aumentando os dados de treinamento que contêm informações sobre extremos?
Se você não consegue perceber a diferença entre os instrumentos, você pode. Ou forçá-los a esse estado subtraindo a diferença.
No momento, parece que é isso mesmo.
No entanto, antes de desistir dessa ideia, verei o que consigo com o treinamento do modelo, misturando diferentes instrumentos (símbolos) e, em seguida, criando dados contendo apenas valores extremos.
Aessa altura, realmente se parece com isso.
No entanto, antes de desistir dessa ideia, verei o que consigo com o treinamento do modelo misturando diferentes instrumentos (caracteres) e, em seguida, criando dados contendo apenas valores extremos.
Se você não consegue perceber a diferença entre os instrumentos, você pode. Ou forçá-los a esse estado subtraindo a diferença.
Atualmente, a prática com símbolos diferentes para treinamento, validação e teste permite que você aumente a precisão da previsão. Como vantagem dessa prática, posso mencionar que não há limite para o tamanho dos dados, você pode fornecer o quanto quiser ou precisar para validação ou treinamento.
Ao testar com um terceiro símbolo, você pode ver imediatamente se o modelo é capaz de encontrar padrões universais, em vez de ficar preso a eventos de mercado restritos específicos de um determinado símbolo.
Atualmente, a prática com símbolos diferentes para treinamento, validação e teste permite que você aumente a precisão da previsão. Como vantagem dessa prática, posso mencionar que não há limite para o tamanho dos dados, você pode fornecer o quanto quiser ou precisar para validação ou treinamento.
Ao testar com o terceiro símbolo, você pode ver imediatamente se o modelo é capaz de encontrar padrões universais em vez de ser orientado por eventos de mercado restritos.
seq = remove_repeating_values(seq, 5)
Pelo que entendi, esses valores iguais tendem a chegar a várias dezenas no caso de um mercado plano. O que, em minha opinião, prejudica o treinamento do modelo.Normalmente, os modelos randomizam os valores, não em uma linha.
Sim,
mas o grande número com os mesmos valores me faz questionar a qualidade geral dos dados.
Exemplo: seq = ([5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5]) = [5,5,5,5,5,5,5,5,5][5]; [5,5,5,5,5,5,5,5,5,5][5]; [5,5,5,5,5,5,5,5,5][5] ....
Não vejo sentido em alimentar o modelo com esses dados de treinamento;
Portanto, ainda estou filtrando todos os dados que não são exclusivos.
inputs_unique, indices = np.unique(inputs, axis=0, return_index=True) outputs_unique = outputs[indices]
Posso estar errado, mas me parece errado também alimentar o modelo com os seguintes dados de treinamento:
[1,2,3,4,5] [5];
[1,2,3,4,5] [6];
[1,2,3,4,5] [7];
[1,2,3,4,5] [8];
...
Olá a todos. Estou tentando treinar Expert Advisors retirados de uma grande série de artigos sobre redes neurais neste site. Tenho a impressão de que eles não são treináveis. Tentei fazer perguntas ao autor nos artigos, mas infelizmente ele não as responde de forma prática...(
Portanto, uma pergunta aos membros do fórum: por favor, diga-me quanto devo treinar uma rede neural para que ela comece a dar algum resultado (não aleatório)?
Tentei todos os EAs, desde o artigo 27 até o último, e o resultado é o mesmo: aleatório. Passei de 300 para 1000 épocas de treinamento, conforme indicado pelo autor. Se o Expert Advisor estiver apenas com iterações, fiz de 100.000 a 20.000.000 iterações e assim por diante, 2-3 abordagens, ainda aleatórias.
Quanto deve ser treinado? Qual é o tamanho de uma amostra de treinamento suficiente (se ela for pré-criada)?
PS: Informações simples sobre redes neurais no google read, em geral as redes neurais são familiares. Todos escrevem cerca de 100-200 épocas e já deve haver um resultado (em fotos, figuras, classificações).