Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 519
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Então, o que se passa? Qualquer ajudante?????
Que tópico???? Amigo... Quem é você?
Porque talvez sejas novo aqui e não me conheças. Eu também sou um tipo de AI, também..... O que é que tu... Você é daqui. :-)
Embora eu seja gentil em princípio e tudo o que você fizer aqui funcionará SOMENTE quando os dados forem a razão do preço. Então qualquer TS irá funcionar bem, mesmo 1 barra à frente ou 15 barras à frente da previsão (15 sendo pior que 1, claro, mas não o ponto). Não é essa a questão... Ponto... Índice RTS que tem OI. Como o significado de volume.... E o problema está resolvido. QUALQUER coisa, quer seja uma previsão ou uma classificação.
E o que querias dizer com a tua frase, querida.....
:D
Agora quero dizer-te para te ires foder. Meu caro amigo. Obrigado.
Exactamente, não disseste nada da última vez ou desta vez, como se estivesses a peidar no vazio...... Não precisamos de pessoas como tu a falar connosco. Sorry....
Paradoxalmente, a classificação é a mesma que a regressão.
Apenas para regressão o output é um real, enquanto que para classificação é uma probabilidade.
Os alvos de regressão são curvas contínuas, enquanto os alvos de classificação são impulsos (0, 1) ou (-1,+1).
Esta saída é então traduzida para a classe apropriada (ifelse(y > 0.5, 1, 0).
2) E se eu tiver 3 classes -1,0,1 (comprar, vender, esperar). É via 0,5 (k=0;if(y<-0,5)k=-1; if(y>0,5)k=1; o ponto médio entre as classes, mas a probabilidade da classe 0 será duas vezes maior que 1 ou -1) ou via 0,33 (k=0;if(y<-0,33)k=-1; if(y>0,33)k=1; então todas as classes são igualmente prováveis)?
Uma boa classificação é feita desta forma. Uma saída separada é atribuída a cada classe. É utilizada uma função de perda de aprendizagem de entropia cruzada. Apenas uma classe pode ser atribuída a uma classe durante o treinamento. É necessário prever a classe de ausência de sinal. Por exemplo, comprar, vender, não fazer nada. Estas são classes separadas. Alimentar todos os valores com um output é ineficiente porque um neurônio pode não aprender a dividir, digamos, 10 classes.
Os derivativos mostram a direção da tendência. As derivadas de 2 MAs e a diferença entre elas descrevem completamente o estado do sistema. Você mesmo perguntou o fio).
No entanto, é do seu próprio gosto).
Os derivados de 2 mashes e sua diferença dependem apenas de 4 barras, eles não podem descrever bem o estado do sistema de qualquer maneira
1) A transferência para uma classe é sempre feita através do meio da gama?
2) E se 3 classes -1,0,1 (vender, esperar, comprar). Transferência até 0,5 (k=0;if(y<-0,5)k=-1; if(y>0,5)k=1;meio entre classes, mas a probabilidade da classe 0 será duas vezes maior que 1 ou -1) ou até 0,33 (k=0;if(y<-0,33)k=-1; if(y>0,33)k=1;assim todas as classes têm probabilidades iguais)
Em R, uma variedade de resultados é geralmente possível para classificação:
Você define o modo "probabilidade de classe" e calcula a classe independentemente, por exemplo, na metade ou 30/70. Ou você pode fazer isso: menos de 30% uma classe e mais de 70% outra classe, e o intervalo entre elas como NA.
1) A transferência para uma classe é sempre feita através do meio da gama?
2) E se 3 classes -1,0,1 (vender, esperar, comprar). Transferência até 0,5 (k=0;if(y<-0,5)k=-1; if(y>0,5)k=1;meio entre classes, mas a probabilidade da classe 0 será duas vezes maior que 1 ou -1) ou até 0,33 (k=0;if(y<-0,33)k=-1; if(y>0,33)k=1;então todas as classes têm probabilidade igual)?
Falemos de duas aulas. A saída do classificador contínuo pode ser traduzida em etiquetas de classe usando um limiar:
Dois resultados são possíveis:
Normalmente, os classificadores têm uma variável numérica contínua (nível de suporte) como saída. Os graus de suporte para um dado input X podem ser interpretados de diferentes maneiras, sendo os dois mais comuns a validade nos rótulos sugeridos e a estimativa de possíveis probabilidades para as classes. As probabilidades de classe são mal produzidas pelos modelos, por isso normalmente precisam de ser calibradas. Ver calibre::CORElearn. As saídas após as funções de ativação softmax são as mais próximas das probabilidades de classe.
Boa sorte.