Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3305
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
Não faz muito tempo, no fórum, alguém deu o nome do efeito (ainda não o encontrei), por causa do qual as séries próximas a SB parecem ter um período. Esse efeito está associado a muitos momentos vergonhosos na ciência, quando, por meio de Fourier, foi "encontrada" a periodicidade nos processos, e os radioamadores nunca sobreviverão a isso no fórum).
Invariância de escala?
Efeito moiré :)
A invariância de escala, ao que parece, pode ser descrita dessa forma e não será objeto de pesquisa de radioamadores. Somente sem Fourier, mas com períodos de mercado como horário e diário, que descrevem atividades diferentes.
Invariância de escala?
Efeito moiré :)
Um bom artigo sobre como fazer a representação BP adequada para redes neurais. As FFTs podem ser eliminadas, é claro. E mais comparações de modelos diferentes.
A diferença fundamental é que o pré-processamento é incorporado à arquitetura da rede. Mas ele pode ser feito separadamente.
O LSTM fica em segundo plano, pois não leva em conta as variações entre períodos.
Com base em seus testes, o Boosting também está em algum lugar próximo ao final da classificação.Acredita-se que o grande número de aplicações de MO, independentemente da ferramenta, está em áreas em que há uma relação "natural" entre o professor e os preditores. Por exemplo, a previsão do tempo: temperatura, umidade...
Nós, por outro lado, sentamos aqui e, ao tirarmos o dedo do nariz, criamos preditores que são nossa imaginação e, por algum motivo, queremos que eles prevejam ordens de negociação.
Portanto, quaisquer publicações com preditores "naturais" não são de nosso interesse. Infelizmente.
Como se prova o contrário?
Na minha opinião, há eventos com prazo determinado - as mesmas notícias. Acho que se dividirmos em três subamostras - esperada, pior, melhor e levarmos em conta o contexto, perceberemos um comportamento semelhante dos participantes do mercado.
Outra opção é a sazonalidade das mercadorias.
O que é exatamente?
Acredita-se que o grande número de aplicações de MO, independentemente da ferramenta, está em áreas em que há uma relação "natural" entre o professor e os preditores. Por exemplo, previsão do tempo: temperatura, umidade ...
Estamos sentados aqui, torcendo o nariz e criando preditores que são nossa imaginação e, por algum motivo, queremos que eles prevejam ordens de negociação.
Portanto, quaisquer publicações com preditores "naturais" não são de nosso interesse. Infelizmente.
Bem, esse é apenas um aspecto de alimentar o modelo com características, o que parece lógico. E o que é feito com ele depois é, obviamente, uma questão esotérica.
Por exemplo, essa abordagem permite que você coloque mais histórias em uma amostraNão) Slutsky-Yula, encontrei a postagem. Acho que outros efeitos semelhantes foram encontrados, mas não me lembro exatamente. Pelo menos agora é aceito ter cuidado com a periodicidade aparente, embora, é claro, os radioamadores locais não se importem com tudo isso)
Bem, por que não?
Há processos econômicos com periodicidade aparente, não especulativa. A colheita, por exemplo. E há muitos desses processos. Existem modelos para eles em que a periodicidade é um dos parâmetros.
Outra coisa é que é necessário separar a periodicidade existente na realidade da periodicidade sugada com a ajuda de alguns Fourier, que floresceram no Forex. Há cerca de 10 anos, não havia falta de engenheiros de rádio. Um grande número de pessoas não entende que uma propriedade muito importante de qualquer modelo matemático deve ser sua interpretabilidade, a possibilidade de comparar esses ou aqueles parâmetros e propriedades do modelo com a realidade. E quando, vendo ondas óbvias em gráficos com periodicidade variável, começamos a inventar algumas sugestões de demanda, que não sabemos de onde vêm, o resultado é correspondente.
Bem, esse é apenas um aspecto de alimentar o modelo com sinais, o que parece lógico. E o que é feito com isso depois é, obviamente, uma questão esotérica.
Por exemplo, essa abordagem permite que você coloque mais histórias em uma única amostraPara nós, lixo dentro é lixo fora, e a maioria das pessoas NÃO tem lixo dentro.
Para nós, lixo dentro é lixo fora, e a maioria das pessoas NÃO tem lixo fora.
É necessário um algoritmo de vagabundo que vasculhe o lixo.
"From Dirt to Dukes" (Da sujeira aos Duques), você poderia chamar isso de uma série de artigos.
Parece ser comum e intuitivamente óbvio que um aprendizado mais cuidadoso produz uma mudança da generalização para a memorização de uma amostra específica.
Para mim, explico isso pelo fato de que, se forem usados modelos com um número crescente de parâmetros (árvore de decisão, por exemplo), um número maior de iterações simplesmente leva a um aumento no número de parâmetros. Com modelos com um número fixo de parâmetros, é mais complicado, mas provavelmente podemos dizer que, com o aumento das iterações, o espaço de parâmetros é "mais usado".
Para simplificar ainda mais, há um aumento no número de opções para escolher e é mais fácil escolher o que você precisa. Por exemplo, a variante mais rastreável do SB ao escolher entre 1.000 de suas variantes estará mais na moda do que ao escolher entre 100 variantes.
PS. Trata-se do seguinte