Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1897
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
"Um algoritmo de aprendizagem profunda com um professor atinge uma qualidade aceitável com cerca de 5000 exemplos marcados por categoria".
Para m1 é a reciclagem diária em histórias por semana, para m5 uma vez por semana em histórias por mês.
Para os outros métodos há números para comparar?
Ainda não entendeu sobre as horas, 1, 2, 9 horas é apenas hora terminal?
Parece difícil cometer um erro aqui.
Eu posso escrever um artigo, porque não é uma opção para explicar cada ponto do fórum
Eu tenho muitas coisas interessantes como código python, agrupamento, analisador de árvores.
Descobri os termos de entrada nas trocas, você pode adicionar bots prontos para gerar bots prontos, é legalparece difícil cometer um erro aqui.
Posso escrever um artigo, porque explicar cada ponto do fórum não é uma opção.
e há muitas coisas interessantes como código python, clustering, tree parser
Eu entendi os termos de entrar nas negociações, posso adicionar bots prontos para gerá-los de uma só vez, é legalestou a ver, o artigo seria bom)))
Estou a ver, o artigo seria bom))))
mas nos novos dados, como um tsuchka, como em todos os MO. No período de treino, é lindo.
Eu queria contornar a reciclagem, introduzindo grupos grosseiros, mas algo correu mal ))
mas nos novos dados, como um tsuchka, como em todos os MO. No período de treino, é lindo.
Eu queria contornar a reciclagem, introduzindo aglomerados grosseiros, mas algo correu mal ))
Eu preciso de um controle de correspondência de linha real para testar um (só para dizer) Mas eu não entendo como fazer isso, até agora, que o atraso seria aceitável, ou pelo menos compreensível.
Precisamos controlar a correspondência da série real à série de testes (só para dizer) Mas como fazê-lo, eu ainda não entendo, para que o atraso seja aceitável, ou pelo menos compreensível.
tudo já está na ideia - padrões sazonais agrupados, que supostamente se repetem (e, de facto, por vezes repetem)
Mas... casaco errado. Ou a árvore está muito sobretreinada e você precisa treinar e analisar um neurônio.
Mas é tudo treta, se a árvore não mostrar nada, significa que não há regularidade. Não vale a pena aprender em profundidade.5000 por característica é o padrão geral, melhor entre 5000 e 10000.
Frase completa: Um algoritmo de aprendizagem profunda com um professor atinge uma qualidade aceitável com cerca de 5000 exemplos rotulados por categoria e é comparável ou mesmo superior a um humano se treinado em um conjunto de dados contendo pelo menos 10 milhões de exemplosrotulados .
Dados e energia são tudo.
Não vejo sentido em treinar mais ao longo do caminho... Em princípio nada muda, tenho trabalhado durante o terceiro mês sem qualquer reconversão, não há mudança na qualidade. Tudo depende da duração da história sobre a qual a rede foi treinada. Se você cobrar por 3-5 anos, então a rede formará regras estáveis que têm funcionado durante todo esse tempo e as lembrará.
Depende da abordagem do problema. Se você acredita que os sistemas vivem por um tempo finito, então você precisa otimizar regularmente, quanto menor o TF, mais frequentemente.
Para excluir os mínimos locais como umapossível causa de problemas, faz sentido traçar anorma do gradiente em relação ao tempo .Se a norma de gradiente não diminui quase até zero, o problema não é omínimo local.
Já alguma vez fizeste isto?
Não fizeste isso?
É um pouco complicado. Eu apenas alimento a rede com diferentes conjuntos de características e a pego quando ela começa a mostrar alguns sinais de aprendizagem. Depois testei-o imediatamente com um mercado real. A rede responde à pergunta "para cima/para baixo", por isso as respostas estão em cada vela, mas com diferentes graus de confiança. Tudo é simples )) sem posições abertas, sem lucros e sem perdas.