Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 398
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
Olhando para o arquivo, há 8 coeficientes de entrada é23, ou seja, há um neurônio para trabalhar com 3 entradas. Acho que o seu programa leva vinte e quatro horas para calcular quais as 3 entradas de 100 para alimentar este neurónio. Pensei que o neurónio tinha sido expandido para pelo menos 10 entradas...
sim, é uma selecção difícil, só restam alguns :)
Eu dei-lhe um link para o seu site, há uma descrição do modelo. Nem sei como o descrever, diz Máquina Nuclear + Máquina Vectorial. É mais complicado lá do que na versão mt5 + treino com o adversário em vez de seleccionar os pesos no optimizador, mas no resultado temos os mesmos pesos para cada um dos preditores.
Tanto quanto sei é utilizado o método dos vectores de referência, quando no espaço multidimensional se constrói o hiperplano que está maximamente afastado de todos os pontos de treino, dividindo assim o espaço em duas categorias: "sim" e "não". Cuspir transformações do núcleo. Então leva MUITO tempo para o otimizador calcular. Não é um neurônio para treiná-lo, é um sistema de IA que além do treinamento faz um monte de conversões e forçamento bruto com dados. É por isso que leva tanto tempo. O que é um pouco frustrante. Mas, mais uma vez, como se pode obter um modelo adequado para o mercado em 5 segundos???? Eu não sei :-(
Tanto quanto sei, o método de vectores de referência é utilizado, quando no espaço multidimensional se constrói tal hiperplano que é maximamente removido de todos os pontos do conjunto de treino, dividindo assim o espaço em duas categorias: "sim" e "não". Cuspir transformações do núcleo. Então leva MUITO tempo para o otimizador calcular. Não é um neurônio para treiná-lo, é um sistema de IA que além do treinamento faz um monte de conversões e forçamento bruto com dados. É por isso que leva tanto tempo. O que é um pouco frustrante. Mas, mais uma vez, como se pode obter um modelo adequado para o mercado em 5 segundos???? Eu não sei :-(
Bem, pelo menos, como já foi escrito acima - não enfie um monte de preditores nele, ele vai eliminá-los todos de qualquer maneira :)
Olhando para o arquivo, há 8 coeficientes de entrada é23, ou seja, há um neurônio para trabalhar com 3 entradas. Acho que o seu software está a contar durante a noite que 3 entradas de 100 para fornecer a este neurónio. Pensei que o neurónio fosse expandido para pelo menos 10 entradas...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);
Não é algo que você tenha entendido mal, existem 2 grelhas, 8 entradas são alimentadas a cada uma, então o resultado de ambas as grelhas é interpretado como descrito anteriormente. Se ambos disserem sim, então sim, se não, então não, se misturado, não sei... Como esta.....
Difícil... É possível prever algo a partir de 3 entradas?
Eu acho que você está perdendo seu tempo no lugar errado, se o RNN fosse expandir para 10 ou 100 entradas, então você poderia gastar 24 horas em seu treinamento. E agora estás a perder o teu tempo a peneirar as entradas. E não no treino.
Não é algo que você tenha entendido mal, existem 2 grelhas cada uma com 8 entradas, então o resultado de ambas as grelhas são interpretadas como descrito anteriormente. Se ambos disserem sim, então sim, se não, então não, se misturado, então eu não sei... Como esta.....
8 são os coeficientes de ligação entre entradas e saídas, e há 3 entradas (8 =23)
Mais precisamente, os coeficientes para as regras:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
E há apenas 3 entradas - A,B e Cr1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - C) * p2 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
Difícil... É possível prever algo a partir de 3 entradas?
Eu acho que você está perdendo seu tempo no lugar errado, se o RNN fosse expandir para 10 ou 100 entradas, então você poderia gastar 24 horas em seu treinamento. E agora estás a perder o teu tempo a peneirar as entradas. E não no treino.
porque a última versão usa uma comissão de 2 ns, então os resultados são comparados
porque a última versão usa um comité de 2 ns, então os resultados são comparados
Eu expandia o neurónio para 10 entradas...
Mas eu preciso de adicionar regras até 1024:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
.....
r1023 =
Bem, pelo menos, como escrito acima, você não deve colocar um monte de preditores nele, ele vai eliminá-los todos de qualquer maneira :)
Aqui estou pronto para apostar. Isto é da prática. O que estou a observar durante o uso do optimizador.
Se houver menos colunas do que linhas, o número de entradas torna-se menor do que o tamanho condicional do polinômio da rede.
Se o número de colunas e filas for igual, o número de entradas e o tamanho do polinômio são aproximadamente os mesmos.
Se houver mais colunas do que linhas, o tamanho do polinômio é menor do que o número de entradas.
Em outras palavras, é necessário que o número de colunas e filas seja aproximadamente igual. Então o polinômio é obtido com um número suficiente de entradas, e seu tamanho é aproximadamente igual ao número de entradas.
Em outras palavras. Quanto maior o arquivo, mais multiparamétrico o modelo se torna. O número de entradas e o tamanho do polinômio aumentam, o que indica que o modelo se torna mais inteligente. E assim por diante.
Além disso, ao executar o mesmo arquivo mais de uma vez, o conjunto de parâmetros de entrada é sempre diferente. Isto é devido à partição aleatória da amostra durante a divisão. Mas se rodarmos um e o mesmo arquivo e obtivermos modelos absolutamente diferentes, eles ainda funcionarão de forma idêntica, pelo menos deveriam. Esta é a resposta para a questão de quais peixes estão no arquivo dado. Se for diferente de uma execução para outra, isso significa que os dados não têm nada a ver com a saída. Como esta....
8 são os coeficientes de ligação entre entradas e saídas, e há 3 entradas (8 =23)
Mais precisamente, os coeficientes para as regras:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
Há apenas três entradas - A, B e C.r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - C) * p2 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
De que coeficientes de acoplamento você está falando? Aqui está uma lista dos inputs utilizados, e o que você vê lá antes de cada polinômio é a normalização, e há 8 inputs descritos, veja abaixo, no fundo do arquivo.
//Variável x0: Del
//Variável x1: Del1
//Variável x2: VDel
//Variável x3: VDel1
//Variável x4: VDel6
//Variável x5: ST5
//Variável x6: VAD11
//Variável x7: VVolum4
Onde estão as três entradas????? Quando há oito deles.
O exemplo que você citou é de outro trabalho da Reshetov e não tem nada a ver com o otimizador.