Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2496
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
Quando começará a aplicação prática?
quando sair do seu rabo e começar a aplicar... em vez de aterrorizar este fio (pela enésima vez) com sinais para trocar... - a minha profissão não é a tua profissão!...a tua prática não é a minha dor de cabeça... - inscreve-te como quiseres e como achares melhor...
quando sair dessa cadeira e começar a aplicar... não aterrorizando todo o fio (pela enésima vez), assediando-me por sinais de troca... - a minha profissão não é a tua profissão!...a tua prática não é a minha dor de cabeça... - inscreve-te como quiseres e como achares melhor...
... fala do facto de que ...
diz que todo o seu trolling anterior e rudeza acaba por ser Reações e Consequências de não responder a você -- você não traz nada de construtivo em troca... e ninguém lhe deve gerar entradas no mercado (simplesmente porque você não sabe mais nada além de como pegar o insistente e inadequado)
diz que todo o seu trolling anterior e rudeza acaba por ser Reações e Consequências de não responder a você -- você não traz nada de construtivo à mesa em troca... E ninguém é obrigado a gerar entradas no mercado para você (simplesmente porque você não sabe nada além de empurrar, implorar e ser inadequado)
Exemplos são possíveis?
e não podes tomar o meu tempo para ti... você está 0 no ramo (ver anterior ~3000 pp)
e não há maneira de teres o meu tempo para ti... você está 0 no ramo
Quando começará a aplicação prática?
a propósito, tensorflow.keras (como Evgeny Dyuka tem) - então
SKLearn parece mais interessante - Interpretação dos resultados da aprendizagem da máquina (talvez a biblioteca não seja muito boa, mas a lógica de avaliação é dada)
p.s.
...não te afeiçoaste...
para a lógica ... que a NS é usada quando é necessário contornar a falta de uma fórmula que descreva a dependência de uma característica de um factor. é usada a ponderação... mas antes e depois da NS o processamento estatístico padrão/clássico... por exemplo ter apenas PDF=F'(X)=dF(x)/dx (embora não precisemos de CDF, pois todas as conclusões da análise populacional são feitas por PDF) e ter dados voláteis - antes de mais nada preciso uniformizar as distribuições para a possibilidade da sua análise conjunta - e aqui a ponderação é útil (não aspiro à matemática aqui)... mas a análise em si não tem nada a ver com NS, nem as suas conclusões (ns)... embora tal estimativa possa ser grosseira, mas a estática clássica também é imperfeita (por exemplo, o uso de logaritmos de incrementos já introduz por si só a tendência nas conclusões - um defeito puramente matemático)... Na verdade, qualquer modelo tem as suas suposições...
Os participantes do mercado NÃO esperam por previsões, mas avaliam o risco e a volatilidade e tomam as suas decisões de negociação (e de cobertura) com base nisto... é que existem 2 factores variáveis nesta análise - volatilidade e janela temporal - e NS ajuda a uniformizar as amostras (mas também se pode usar GARCH) para que possam ser analisadas em conjunto num único modelo estatístico e ajuda a determinar o horizonte... Nesses momentos, quando não há uma fórmula matemática, que não é necessária (tudo muda neste mundo)... mas por ponderação, ponderação e ponderação de novo (por causa da compressão a alguma regressão) - para fazer análise conjunta dentro de um modelo estatístico, e de preferência sem ruído ou pelo menos com a sua minimização...
Vale a pena ter em mente a lógica de inferência Bayesiana para Gaussian ...
O principal, suponho, é construir tal arquitetura NS, que quando as camadas neuronais passam no caminho para a saída, a dispersão não aumenta... imho (porque acumulá-lo, se está disponível como está, é uma questão retórica)... e depois a lógica clássica da estatística... e mesmo numa história muito profunda não há amostras suficientes para analisar qualitativamente momentos robustos (tudo acontece na vida)... Acho que em Mihail Marchukajtes os outliers do modelo de classificação também podem acontecer... (temos de pensar, como deve o sequenciador lidar com eles?)
Até agora, o meu imho é... Eu também vou olhar para o import scipy.stats como estatísticas
p.s.
obrigado pela ligação
Estou um pouco confuso com a sua próxima afirmação " NS ajuda a uniformizar as amostras". Como assim?
Além disso - "o principal é construir tal arquitetura de NS que a variância não aumente quando as camadas de neurônio passam no caminho para o output ". Tenho uma pergunta, o que queres dizer com isso, mais detalhes e mais concreto. Presumo que haja algum senso comum que eu não consigo entender. A propósito, se você quiser evitar a proliferação de idéias, vamos levar isso para um relato pessoal, eu também ficaria feliz em compartilhar e ouvir suas opiniões. Tenho algumas idéias sobre o fato de que não é a NS que não nos dá um resultado confiável e não podemos ver a floresta para as árvores. Quaisquer ideias (e experiências com código em conformidade) de como isto pode ser contornado.
. Ou explicar se me escapou alguma coisa. Eu tive que simplificá-lo, porque levei cerca de 15 minutos para chegar ao fundo da sua mensagem)) ))
Jason Brownlee (autor de Deep Learning With Python and Statistical Methods for Machine Learning) -
- Os 3 Erros Feitos por Principiantes:
1. Praticantes Não Sabem Estatísticas
2. Os Praticantes Estudam as Estatísticas Erradas
3. Praticantes Estudam Estatísticas O Caminho Errado
qualquer um dos atributos é importante, não importa o lugar que eles possam ocupar no ranking, especialmente porque não há muitos deles e eu posso classificá-los em ordem de importância sem SKLearn.
Atributos diferentes tornam-se importantes sob condições diferentes... mas se você tem certeza que pode classificá-los corretamente no momento, então você é AI (não sei qual precisão e qual é o erro)...
o que inserir - decida por si, teste-se, não se esqueça de verificar as suas hipóteses (o teste t do aluno está na aula de estatística do módulo scipy) ... em geral, o neurônio é uma ferramenta útil para superar as dificuldades de trabalhar com grandes amostras em estatísticas, mas não substitui a lógica estatística, mas a implementa... incluindo o entendimento de que a amostra deve ser representativa, e não a partir do teto (incluindo número! e qualidade [heterogeneidade] das amostras)... algo parecido com isto