Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3397
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
Gostaria de escrever um otimizador para um portfólio de modelos, já que eles são gerados muito rapidamente, em escala industrial
Mas se tivermos muitos deles, não queremos arrastar e soltar todos no terminal. Hipoteticamente, se não salvarmos os modelos, mas empilharmos os conjuntos de dados nos quais eles foram treinados e, em seguida, treinarmos um modelo final neles, os resultados deverão ser comparáveis ao conjunto de modelos, certo?
Também planejo fazer experimentos não com a correspondência posicional, como no artigo, mas com a pontuação de propensão. Isso permitirá calibrar as probabilidades ao mesmo tempo.
Em seguida, usarei a biblioteca do Google para ver o que consigo obter com ela.
Talvez mais tarde eu apresente os resultados.
Também planejo fazer experimentos não com a correspondência posicional, como no artigo, mas com a pontuação de propensão. Isso permitirá calibrar as probabilidades ao mesmo tempo.
Em teoria, você pode pesquisar e combinar amostras por meio dele
Por exemplo, marque aleatoriamente uma parte da amostra como 0 e outra como 1. Ensine o NS a separar para classificar qual amostra pertence a qual amostra. Isso também é chamado de validação adversarial.
Idealmente, o NS não deve identificar a amostra, o erro deve ser em torno de 0,5. Isso significa que a amostra original é bem aleatória.
Qualquer valor próximo de 0,5 é bom, pois esses dados podem ser usados para treinamento. Os valores extremos são outliers.
Em seguida, para cada "probabilidade", você pode calcular a porcentagem de casos adivinhados.
Até o momento, essa abordagem é um pouco surpreendente.
Um concurso interessante em andamento - para aqueles que desejam comparar seu sucesso na previsão de cotações com o de outros participantes.
Interessante competição contínua - para aqueles que desejam comparar seu sucesso na previsão de cotações com outros participantes.
Esse link já apareceu aqui muitas vezes
Eu não me lembrava dele - acho que na época não estava claro o que fazer, mas agora li a ajuda e ficou mais claro. De qualquer forma, é fato que essa ideia vem funcionando há muito tempo. Pelo que entendi, eles pagam lá com algum tipo de criptografia por boas previsões.
A desvantagem, é claro, é que o código é aberto e deve ser transferido para participação.
O futuro está aqui: estou executando o LLM do Google localmente. Agora não preciso de uma esposa e amigos.
O futuro está aqui: estou executando o LLM do Google localmente. Agora não preciso de uma esposa e amigos.
https://blog.google/technology/developers/gemma-open-models/
Um bom resumo de toda a discussão