Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2277

 

E variantes que são próximas em amplitude irão generalizar-se desta forma. Por exemplo, se você dividir um chip pela metade 3 vezes, então você receberá pedaços de 0 a 0,25, de 0,25 a 0,5, de 0,5 a 0,75 e de 0,75 a 1.

Assim, uma folha conterá todas as variantes com este recurso, por exemplo, de 0,5 a 0,75 - você receberá 0,5 e 0,55 e 0,64 e 0,72. É uma generalização bastante boa em amplitude. As redes neurais provavelmente fazem o mesmo devido a f-stations de ativação não-linear.

Mas não há generalização por tempo na árvore.

Aparentemente devemos colocar num padrão de 20 características e pedaços de 10 características esticando-as e pedaços de 50 características comprimindo-as, e uma dúzia de variantes intermediárias também.

 
mytarmailS:

não...

interpolação/extrapolação é o mesmo que aparafusar com janelas de tamanhos diferentes, as mesmas perdas.

Tens noção do tempo que isso consome? Para cada iteração.

é muito rápido. Você tem um modelo de 1000 caracteres. Você tem que interpolar amostras menores para o tamanho do padrão.

7 microssegundos serve.

Mas talvez você precise correlacionar os padrões menores uns com os outros (pequeno ponto por ponto no eixo x), então será mais rápido. Então é melhor comprimir os grandes e interpolar os pequenos.

ZS. Se, por exemplo, o padrão for 490 e o modelo for 500, você pode adicionar 10 Nan em uma linha aleatoriamente (ou melhor distribuídas uniformemente), e então interpolar

e se precisar de reduzir ainda mais facilmente, em aproximação linear por partes, defina o número de peças igual a 500, se o padrão > 500

E você não precisa de uma grande variedade de tamanhos de janelas. De 200 a 800 ali... em passos de 20-50. Tudo vai voar. Ou talvez não, eu nem sei porque é necessário ) mas em vídeo é rápido, mas os padrões são terrivelmente feios.

 

Eu costumava procurar multifractos, ou seja, o fractal actual faz parte de um maior, semelhante a ele. Então eu pego uma continuação do maior e prevejo isso. Bem, às vezes funciona, às vezes não, porque elas tendem a empenar muito, embora geralmente sejam semelhantes.

Ou seja, basta pegar a última fatia do gráfico de n barras e pegar a última grande fatia de n+100500 barras. Descubra com o que o pequeno se correlaciona no pedaço grande e veja o que vem depois desse pedaço, depois carregue isso para o futuro. Se houver mais do que uma partida, então, mede o resultado. Mas também afinei os pré-bars porque o ângulo de inclinação também muda.

 
Maxim Dmitrievsky:

é muito rápido. Você tem um modelo de 1.000 caracteres. Você precisa interpolar amostras menores para o tamanho do modelo

7 microssegundos serve.

Mas talvez você precise correlacionar os padrões menores uns com os outros (pequeno por ponto no eixo x), então será mais rápido. Então é melhor comprimir os grandes e interpolar os pequenos.

ZS. Se, por exemplo, o padrão for 490 e o modelo for 500, você pode adicionar 10 Nan em uma linha aleatoriamente (ou melhor distribuídas uniformemente), e então interpolar

e se precisar de reduzir ainda mais facilmente, em aproximação linear por partes, defina o número de peças igual a 500, se o padrão > 500

E você não precisa de uma grande variedade de tamanhos de janelas. De 200 a 800 ali... em passos de 20-50. Tudo vai voar. Ou talvez não, eu nem sei porque é necessário ) mas as amostras de vídeo são rápidas, mas os padrões são terrivelmente feios.

Você tem algo em algibe para comprimir e descomprimir os gráficos?

Vejo alguns sobre a interpolação. Qual deles é melhor para nós? Qual deles é mais rápido?

 

Acho que já o encontrei. Directamente de uma grelha fica outra.

https://www.alglib.net/interpolation/spline3.php

Interpolação rápida da grelha

função spline1dconvcubic

Esta função resolve o seguinte problema: dada uma tabela de valores da função y[]
em nós antigos x[] e novos nós x2[], ela calcula e retorna uma tabela de valores da função
y2[] (computada em x2[]).

Esta função dá o mesmo resultado que chamar Spline1DBuildCubic () seguido por
uma sequência de chamadas Spline1DDiff (), mas pode ser várias vezes mais rápido quando
chama ordenou X[] e X2[].

PARÂMETROS DE ENTRADA:
NÓS-espinhais antigos
Valores da função Y
X2-novos nós espinhais

PARÂMETROS ADICIONAIS:
N-número de pontos:
* N>
=2
* se definido, apenas os primeiros N pontos de X/Y são usados
* se não definido, automaticamente determinado pelas dimensões X/Y
(len (X) deve ser igual ao len (Y))
BoundLType - type of boundary condition for left boundary
BoundL-left boundary condition (first or second derivative,
depending on BoundLType)
BoundRType - type of boundary condition for right boundary
BoundR-right boundary condition (first or second derivative,
depending on type Boundr) xml-ph-0009@de
* N2>=2
* se especificado, apenas os primeiros pontos N2 de X2 são usados
* se não especificado, automaticamente determinado pelo tamanho de X2

PARÂMETROS DE SAÍDA:
F2-valores de funções em X2[]

BUNDR

A sub-rotina ordena automaticamente os pontos, para que o chamador possa passar um array não ordenado.
Os valores das funções são reordenados corretamente quando retornados, então F2[I] é sempre
igual a S(X2[I]) independentemente da ordem dos pontos.

Valores-limite de configuração:

Os parâmetros BoundLType/BoundRType podem ter os seguintes valores:
* -1, o que corresponde às condições-limite periódicas (cíclicas).
Neste caso:
* ambos BoundLType e BoundRType devem ser iguais a -1.
* BoundL/BoundR são ignorados
* Y[last] é ignorado (assumindo que é igual a Y[first]).
* 0, que corresponde a um spline parabólico completo
(BoundL e/ou BoundR são ignorados).
* 1, que corresponde à condição de limite da primeira derivada
* 2, que corresponde à condição de limite da segunda derivada
* O padrão é BoundType=0

TASKS WITH PERIODIC Boundary Conditions:

TASKS com condições de limite periódicas têm Y[first_point]=Y[last_point].
No entanto, esta sub-rotina não requer que você especifique valores iguais para
primeiro e último pontos - ela os força automaticamente a serem iguais ao
copiando Y[primeiro_ponto] (correspondente ao mais à esquerda, mínimo X []) para
Y[último_ponto]. No entanto, é recomendado passar valores consecutivos de Y [],
ou seja, fazer Y[primeiro_ponto]=Y[último_ponto].

-- PROJETO DE PROJETO --
Copyright 03.09.2010 Bochkanov Sergey

Spline interpolation and fitting - ALGLIB, C++ and C# library
  • www.alglib.net
Cubic spline interpolation/fitting is a fast, efficient and stable method of function interpolation/approximation. ALGLIB package provides you with dual licensed (open source and commercial) implementation of spline-related functionality in several programming languages, including our flagship products: ALGLIB for C++, a high performance C++...
 
elibrarius:

Há algo no algibe para comprimir e descomprimir os gráficos?

Na interpolação, eu vejo vários. Qual deles vai funcionar melhor para nós? E qual deles é mais rápido?

Linear é o mais rápido, os outros podem ser mais precisos
 

Filtragem adaptável

Idéia para ts. Monte o sistema em uma "mashka", "mashka" muda adaptativamente com "ns".

 
Rorschach:

Filtragem adaptativa

Idéia para ts. Monte o sistema em uma "mashka", "mashka" muda adaptativamente com "ns".

De que estás à espera?

 
mytarmailS:

De que estás à espera?

O que há sobre os novos dados?

 
Maxim Dmitrievsky:

O que há com os novos dados?

Tanto quanto me lembro, o TS está a trabalhar há algum tempo e morreu...

A filtragem no sentido habitual (ferramentas, filtros, etc.) é sempre um atraso, um atraso no mercado é um dreno....

Você deve criar um paradigma diferente (sem atrasos), níveis, por exemplo...