Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1965
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
Basta correr e negociar, aprende à medida que vais
Qual é a lógica de negociação? É aprender com base no deslizamento na janela de 1,5 meses? Com que frequência se aprende ou depende de quê? Em que prazo?
Sugiro que se testem estes dados, há definitivamente um padrão ali e é claro o que apontar.
ps para remover o .txt do nome
Rede: 56,58% de respostas corretas, 2,63 de expectativa
Floresta: 55,89% de respostas corretas, 2,36 expectativa
Incrementos cumulativos da floresta: 55,89% de respostas corretas, 2,36 expectativa, resultados idênticos
Posição 20 5-dígitos. A propagação não é tida em conta. Em média os resultados são os mesmos, mas a grelha conta durante 2 minutos e a floresta durante menos de um segundo.
Parece que uma sessão de magia negra está em ordem, embora eu ainda não tenha tentado o ziguezague.
Rede: 56,58% de respostas corretas, 2,63 de expectativa
Floresta: 55,89% de respostas corretas, 2,36 expectativa
Posição 20 5-dígitos. A propagação não é tida em conta. Em média os resultados são os mesmos, mas a grelha conta durante 2 minutos e a floresta durante menos de um segundo.
Parece uma sessão de magia negra, embora eu ainda não tenha tentado o ziguezague.
Para que é que passa o tempo a aprender sem se espalhar? Só para gráficos bonitos? Faça algo real.
Não podes. É por isso que eles são aleatórios, porque levam colunas aleatórias para treinar. O cálculo da média dá então bons resultados.
Adendo: o número de linhas envolvidas no treinamento também deve ser colocado =1, ou seja, todas para que o treinamento seja o mesmo. Então tudo aleatório da floresta aleatória é removido.Você poderia tentar definir a fração da coluna = 1. Ou seja, todas as colunas estarão envolvidas na construção da árvore, em vez de um 50% aleatório de todas as colunas. Todas as árvores serão as mesmas, por isso, ponha também 1 árvore na floresta. No total uma floresta com uma árvore é treinada até 6, a outra até 7 níveis de profundidade.
Se forem necessárias mais de 2 árvores, largue algumas colunas do conjunto independentemente e treine florestas adicionais em todas as colunas restantes.
Se houver uma regra de divisão fixa, sem aleatoriedade, é provavelmente isso que vai acontecer. Gostaria de tentar? Eu não sei como andar de andaime :(
15 prazos, sinais em todos os bares. Também se podem alterar de acordo com as condições. Não é inicialmente treinado, começa a partir de uma folha em branco para ser comercializado imediatamente. Isto é, pode não ser reeducado em princípio. É re-treinado após cada troca, mantém a memória das entradas anteriores. Links recorrentes podem ser adicionados. Está tudo aí no manual, só preciso de o compreender. Vou trabalhar nisso em breve, quero desenvolver um análogo em fluxo tensor.
E como esta memória é implementada? Pode explicar em termos simples?
Se houver uma regra de divisão fixa, sem aleatoriedade, é provavelmente isso que vai acontecer. Gostaria de tentar? Eu não sei como construir andaimes :(
Verifiquei-o - pelo menos no andaime de algas. Apenas linhas e colunas são aleatórias, se os seus coeficientes forem definidos =1, todas as árvores serão iguais, ou seja, uma árvore é suficiente para não perder tempo no cálculo da sua cópia. Outros pacotes podem randomizar outra coisa...
Eu não quero tentar. Uma árvore com uma profundidade de 6 ou 7 é suficiente para mim. Uma árvore com uma profundidade de 6,5 [uma analogia à sua ideia] não é muito interessante. E preguiçoso, é claro.
Como esta memória é implementada? Pode explicar em termos simples?
Ainda não percebi.
Verificado - é, pelo menos na floresta algibe. Apenas linhas e colunas são aleatórias, se os seus coeficientes forem definidos =1, então todas as árvores são iguais, ou seja, uma árvore é suficiente para não perder tempo no cálculo da sua cópia. Outros pacotes podem randomizar outra coisa...
Eu não quero tentar. Uma árvore com uma profundidade de 6 ou 7 é suficiente para mim. Uma árvore com uma profundidade de 6,5 [uma analogia à sua ideia] não é muito interessante. E a preguiça, é claro.
Estou a ver. Eu só vejo a penúltima divisão como um subespaço sobre o qual se pode construir um mini modelo para estudá-lo. É claro que as divisões devem ser inteligentes, talvez divididas pelas estatísticas de toda a amostra e não pela subamostra. Deve haver provavelmente 3-5 divisões e não mais antes do início deste processo. A ideia, contudo, é reduzir o impacto da vantagem estatística aleatória de uma determinada divisão em relação a outras alternativas.
E como esta memória é implementada? Pode explicar em termos simples?
Vai a Python, vou dar-te exemplos, podes usá-los.
Não vejo a utilidade de discutir isso neste fórum, já que RL não é uma questão de nível de entrada.