Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 610
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
Há o parâmetro semente = NULL dentro da função darch() por padrão. Ajuste-o para algum estado, por exemplo semente = 12345.
Este é um pequeno valor de aprendizagem. Comece com learnRate = 0.7, numEpochs = 10 para RBM e NN. Mas isto são dados do tecto. Você precisa otimizar para um conjunto de dados específico.
Boa sorte.
E se alguém quiser fazer um conjunto, então set.seed() é melhor remover, certo? Para que as grelhas sejam diferentes. Ou set.seed(N mesh) - para reprodutibilidade de todo o conjunto.
Sim, é verdade. Um conjunto de modelos tão complexos (quero dizer darch) não pode conter mais do que 3-5 peças. E eles devem ser muito diferentes. Ou seja, devem ter valores de parâmetros diferentes (número de camadas, neurónios, funções de activação, etc.), ou (muitas outras variantes que não descreverei agora). Variante de conjunto da mesma estrutura treinada com inicializações diferentes pode ser possível, mas é fraca. Pelo menos faça o tipo de inicialização diferente.
Boa sorte.
Sim, é verdade. Um conjunto de modelos tão complexos (quero dizer darch) não pode conter mais do que 3-5 peças. E eles devem ser muito diferentes. Ou seja, devem ter valores de parâmetros diferentes (número de camadas, neurónios, funções de activação, etc.), ou (muitas outras variantes que não descreverei agora). Variante de conjunto da mesma estrutura treinada com inicializações diferentes pode ser possível, mas é fraca. Pelo menos faça o tipo de inicialização diferente.
Boa sorte.
Se você correr com o processador em conjunto de treinamentos em um e os mesmos dados para definir a melhor estrutura, é melhor você colocar os resultados em conjunto. Se você quiser usar a opção mais simples - malha com intervalo de neurônio de 5 ou porcentagem (com este modelo de intervalo será muito bom), então pegue 3-5 ou 10 melhores resultados e use-os para obter a média. Os modelos serão construídos e calculados de qualquer forma, então porque devemos desperdiçar os nossos esforços? ))
Se tivermos de passar a CPU por muitos treinamentos com os mesmos dados para determinar a melhor estrutura, é melhor colocar os resultados em um conjunto. Se assumirmos a opção mais simples - grelha com espaçamento de neurónios de 5 ou percentagem (com tal espaçamento também os modelos serão bem diferentes), então pegue em 3-5 ou 10 melhores resultados e use-os para obter a média. Os modelos serão construídos e calculados de qualquer forma, então porque devemos desperdiçar os nossos esforços? ))
Como se está a dar, em geral, com estes modelos? Vale mesmo a pena dar-se bem? :) a discussão está em curso mas ninguém fala sobre os resultados
Talvez alguns bancos em comparação com o perseptrone ou o gbm. Para forex, é claro.
:) porque há uma discussão, mas ninguém anuncia os resultados.
Como se está a dar, em geral, com estes modelos? Vale mesmo a pena dar-se bem? :) a discussão está em curso, mas ninguém dá voz aos resultados
Eu tenho, como a maioria das pessoas, um erro à beira de 50%. Mas pelo menos conta dez vezes mais rápido que o Alglib. Se aqui leva 40-100 minutos para calcular o modelo, eu estava esperando mais de vinte e quatro horas pela mesma estrutura em Alglib, não esperei e desabilitei o cálculo.
Mas se agora eu tiver que pegar os modelos no ciclo, vai levar muito tempo novamente.... Eu também tenho que programar tudo.
Em geral, isto é muito tempo, já que você não se coloca limites de tempo no MO.
Interessante - por isso eu cavo)
Se você considerar um gráfico de lucro como resultado, não haverá resultados. E a maioria das pessoas, mesmo neste tópico, não precisa de nada além do gráfico de lucro. A única prova é que nós simplesmente não entendemos os outros.
Não é como se você estivesse envolvido no interior.
No local de teste, como na maioria dos casos, o erro está à beira de 50%. Mas pelo menos conta dezenas de vezes mais rápido que o Alglib. Se aqui durante 40-100 minutos para calcular o modelo, o Alglib-e mais de um dia à espera da mesma estrutura, não esperou e desactivou o cálculo.
Mas se agora eu tiver que pegar os modelos no ciclo, vai levar muito tempo novamente.... Você também tem que programar tudo.
Quero dizer, a escolha dos traços ainda é o principal problema :) mas pelo menos é mais rápido de aprender, isso é bom.
ou seja, a escolha dos atributos continua a ser o principal problema :)
e as características e a estrutura do modelo acabam por ser demasiado
1. De que optimização estás a falar? Qual planalto? Qual modelo? Se você está falando de uma rede neural, seria estranho não treinar (otimizar parmetros) o DNN antes de usá-lo.
2. Que parâmetros do modelo(?) devem ser estáveis?
Não entendo os teus pensamentos.
Eu estava falando da otimização dos hiperparâmetros de DNN que deve ser feita necessariamente e não no testador.
Do que é que estás a falar?
A eficácia do modelo comocritério de optimização para tudo o resto.
Que tipo de planalto?
O patamar de eficiência.
Que modelo?
Qualquer modelo.
Se você está falando de uma rede neural, seria estranho não treinar (otimizar parâmetros) o DNN antes de usá-lo.
E esta é a pergunta principal, que uma vez lhe fiz: como os resultados do treinamento (otimização de parâmetros) dependem da não-estacionariedade dos preditores de entrada. A tua resposta foi: não tem. Não está claro para mim, já que os NS devem ser constantemente reeducados, por isso reagem à não estacionaridade, por isso os parâmetros do modelo são variáveis aleatórias, por isso há um problema de estacionaridade dos parâmetros. Então este é o quadro completo de tudo o que é discutido na GARCH, mas por alguma razão não é discutido na classificação.