Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1526
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
A descida gradual é um método pelo qual as redes neurais selecionam pesos/multiplicadores/deslocamentos para os neurônios.
Regressão e classificação são tarefas que tanto as florestas como as redes neurais podem realizar.
A descida gradual é o método pelo qual as redes neurais selecionam pesos/multiplicadores/deslocamentos para os neurônios.
Obrigado, mas não era isso que eu queria dizer.
Sobre a similaridade do resultado final, regressão e descida de gradiente.
A regressão encontra o ponto médio entre os vizinhos, a descida de declive encontra o ponto mais próximo.
Essencialmente, parece-me que os algoritmos de busca são semelhantes no resultado final.
A diferença seria o erro de desvio. Então eu estava a pensar, o que daria um erro menor?
Parece-me que a descida por gradiente será mais precisa do que a regressão.
Meu ponto é, por exemplo, existe um professor, a saída da rede deve ser uma cópia do professor, com o mínimo de erro.
Por isso não consigo decidir qual modelo usar com qual algoritmo.
Obrigado, mas não era isso que eu queria dizer.
Sobre a similaridade do resultado final, regressão e descida de gradiente.
A regressão encontra o ponto médio entre os vizinhos, a descida de declive encontra o ponto mais próximo possível.
Essencialmente, parece-me que os algoritmos de busca são semelhantes no resultado final.
A diferença seria o erro de desvio. Foi o que eu pensei que daria um erro menor.
Acho que a descida por gradiente será mais precisa do que a regressão.
Eu não esperaria outra resposta.
Obrigado, mas não era isso que eu queria dizer.
Sobre a similaridade do resultado final, regressão e descida de gradiente.
A regressão encontra o ponto médio entre os vizinhos, a descida de declive encontra o ponto mais próximo.
Essencialmente, parece-me que os algoritmos de busca são semelhantes no resultado final.
A diferença seria o erro de desvio. Então eu me perguntei, o que daria um erro menor?
Parece-me que a descida por gradiente será mais precisa do que a regressão.
Meu ponto é, por exemplo, existe um professor, a saída da rede deve ser uma cópia do professor, com o mínimo de erro.
Por isso não consigo decidir qual modelo usar com qual algoritmo.
Regressão e classificação são o resultado de uma caixa negra. A descida é o que acontece dentro dela. Estas coisas não podem ser comparadas umas com as outras. É como uma imagem na tela de uma TV (o resultado) e o princípio de uma resistência que está dentro dessa TV.
Por isso não consigo decidir qual modelo usar com qual algoritmo.
Nenhum dos algoritmos faz sentido. O mercado é o SB (se você olhar puramente para os preços).
O MO funciona quando há um padrão. Ninguém nesta linha, ao longo de vários anos, encontrou nada de estável a ganhar.
A menos que você treine seu cérebro))
Nenhum dos algoritmos faz sentido. O mercado é o SB (se você olhar puramente para os preços).
O MO funciona quando há um padrão. Ninguém nesta linha, ao longo de vários anos, encontrou nada que ganhe consistentemente.
Eles apenas treinam os seus cérebros)).
Você só pode ganhar de forma estável através de uma escalada cuidadosa e seguindo rigorosamente as principais tendências - anteriores, atuais e futuras.
Regressão e classificação são o resultado de uma caixa negra. A descida é o que acontece dentro dela. Estas coisas não podem ser comparadas umas com as outras. É como a imagem na tela da TV (o resultado) e o princípio da resistência que está dentro daquela TV.
Não há sentido em nenhum dos algoritmos. O mercado é o SB (se você olhar puramente para os preços).
O MO funciona quando há um padrão. Ninguém nesta linha, ao longo de vários anos, encontrou nada que ganhe consistentemente.
Eles apenas treinam os seus cérebros)).
Obrigado pelo esclarecimento.
A questão é que com MO eu não pretendo procurar por padrões de uma forma pura.
Estou a tentar fazer uma ferramenta com a qual detectar estes padrões.
Então eu preciso escolher o tipo certo de algoritmo para copiar o professor para a saída da rede, com o mínimo de erro.
Neste caso a rede não está à procura de nenhum padrão, está apenas a copiar o professor.
Obrigado pelo esclarecimento.
É essa a questão, eu não pretendo procurar padrões em pura forma com MO.
Estou a tentar fazer uma ferramenta com a qual detectar estes padrões.
Então eu preciso escolher o tipo certo de algoritmo para copiar o professor para a saída da rede, com o mínimo de erro.
Neste caso, a rede não está à procura de qualquer regularidade, apenas copia o professor.
Nenhum dos algoritmos faz sentido. O mercado é o SB (se você olhar puramente para os preços).
O MO funciona quando há um padrão. Ninguém nesta linha, há vários anos, tem encontrado algo que funcione consistentemente.
Que seja a SB.
Mas a SB, ou melhor, o processo aleatório, também tem regularidades. Discutimo-los mais de uma vez no ramo "Da Teoria à Prática" - é uma variância estacionária, como consequência da equação de Einstein-Smoluchowski e retorno ao ponto de partida = 66% em caminhada bidimensional e convergência para a distribuição Gaussiana de um grande número de variáveis aleatórias independentes... Sim, muitas coisas... Há toda uma teoria de processos aleatórios e é possível ganhar na SB, não importa o que alguém diga.
Então porque é que o MO está a falhar nesta tarefa? Uma questão filosófica, conceptual. Não sei a resposta a isso...
Que seja a SB.
Mas, afinal de contas, a SB, ou melhor, um processo aleatório, também tem regularidade. Discutimo-los mais de uma vez no ramo "Da teoria à prática" - é uma variância estacionária como consequência da equação de Einstein-Smoluchowski e retorno à origem = 66% em vagueio bidimensional e convergência para a distribuição gaussiana da soma de um grande número de variáveis aleatórias independentes... Sim, muitas coisas... Há toda uma teoria de processos aleatórios e é possível ganhar na SB, não importa o que alguém diga.
Então porque é que o MO está a falhar nesta tarefa? Uma questão filosófica, conceptual. Não sei a resposta a isso...
Tenho de acabar o assunto neste Outono, senão, de alguma forma, vai ficar aborrecido. Eu passei muito tempo estudando os add-ons de redes neurais, e depois a teoria de aplicação, que ninguém jamais desenvolveu para os mercados financeiros. De alguma forma, é geralmente evitado de forma estridente pelos cientistas de dados.
Tenho uma assinatura paga para todos os tipos de trabalhos acadêmicos e pesquisas de professores, mas todos eles trabalham com opções, principalmente. Eles acham que está provado que não há nada para apanhar no local.