Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 637
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
:)))) Neste caso, o feiticeiro deve ser chamado para pedir ajuda :))))
A única coisa que posso dizer é que é a não-entrropia que é responsável pela tendência/estado plano. A tendência é a "memória" do processo, a sua "cauda" de distribuição e a não-entrípia é enorme, enquanto que no estado plano é quase 0. Eu próprio só lido com isso, mas compreendo a importância deste parâmetro pouco estudado.
Nada o pode ajudar agora. A mudança de tendência/frota, como uma colher para o jantar, deve ser boa a tempo.
A linha vermelha é a verdadeira. Syn.-model. Neste exemplo, é tarde. Na foto de baixo, o modelo está atrasado.
Irmãos, é apenas um pequeno passo para nós, mas será um grande passo para toda a humanidade.....
Misha, eu acreditei! Eu sabia! Bonitão! Você é o melhor!))
Misha, eu acreditei nisso! Eu sabia! Bonitão! Você é o melhor!)))
Obrigado pelo seu apoio mate!!!!! Preciso mesmo dele. Soletra bem da próxima vez que te dirigires a mim. HandsomeGGGG!!!! Soa muito mais sólido dessa forma....
Vamos continuar...
Existem duas colunas com valores, calculei a probabilidade de evento na coluna A e a probabilidade de outro evento na coluna B. A condição é muito simples >0. Contei o número de eventos maior que zero na coluna A e dividido pelo número total de linhas, o mesmo contei o número de valores na coluna B e dividido pelo número total de observações.
A seguir, usando os meus valores, como calcular a probabilidade condicional???? Considerando que eu tenho duas colunas e ambas têm 40 filas????
Está bem, eu vou lá do outro lado. Suponha que eu tenha um conjunto de 100 entradas. Eu calculo a entropia para cada entrada e obtenho resultados de -10 a 10. Pergunta: Que entradas são preferíveis a tomar????
Digamos que eu tenho 10 entradas abaixo de zero, o resto acima, MAS todos os valores estão entre -10 e 10.....
E também... não posso calcular a informação mútua.... Ou melhor, probabilidade condicional, para o cálculo subsequente da entropia e VI.
Alguém pode explicar com os dedos ou um exemplo melhor.
primeira coluna 40 linhas variável de entrada
segunda coluna 40 linhas de saída....
Fez muito trabalho durante a noite para identificar a hipótese. Tropeçou nestas coisas e de maneira nenhuma. Por favor, ajude-me e eu darei a minha opinião sobre a minha hipótese...
Eu não estudei teoria da informação, mas tenho alguma experiência com entropia em R.
Essencialmente, quanto maior for a entropia, mais caos há nos dados. Um preditor com alta entropia está bastante pouco relacionado com o alvo. Por outro lado, a baixa entropia indica que o preditor é facilmente identificado a partir do preditor.
A não-entrropia é o oposto da entropia, não traz novos conhecimentos em comparação com a entropia, apenas é introduzida por conveniência. Se o preditor tem uma grande entropia, então a não-entropia é pequena. Se a entropia é pequena, então a não-entropia é grande. É como o calor e o frio, luz e escuridão, etc., um flui sem problemas para o outro.
Mas não é só isso, também há o cruzamento de centros. É assim que os dois preditores juntos estão relacionados com o alvo, a centralidade alta é má, a baixa é boa. Na aprendizagem mecânica acontece frequentemente que dois preditores com alta entropia quando usados juntos dão baixa centralidade cruzada, que é o que todos nós precisamos. Mesmo que cada um dos preditores possa estar mal associado ao alvo por si só (alta entropia para ambos), mas juntos podem atingir o alvo (baixa entropia cruzada). Portanto, não se pode simplesmente medir a entropia de cada preditor separadamente, e escolher um conjunto de acordo com a estimativa. Você precisa selecionar todo o conjunto de preditores com baixa centralidade cruzada, eu, por exemplo, não olho para qual é a entropia deles individualmente.
Aqui estão alguns exemplos -
1) Preditor com alta entropia. Não há forma de prever a classe alvo.
2) Preditor com baixa entropia. Se você olhar com atenção, se o valor do preditor for de 0 a 0,25 ou inferior a 0,4, então o valor da classe = 1. Caso contrário, classe = 2. Este é um preditor muito útil para usar em MO.
3) Dois preditores, cada um com alta entropia, e o modelo nunca será capaz de prever o alvo usando apenas o primeiro ou apenas o segundo preditor. Mas ao desenhá-los juntos (o eixo X é o valor do primeiro, e o valor Y do segundo) podemos imediatamente ver que eles juntos dão muito boa informação sobre a classe do alvo (mesmo sinal para ambos os preditores = classe1, sinal diferente = classe2). Este é um exemplo de baixa centralidade cruzada.
Obrigado por seu apoio Fellow!!!!! Preciso mesmo dele. Soletra bem da próxima vez que te dirigires a mim. HandsomeGGGGG!!!! Isso soa muito mais sólido....
É por isso que te amamos, professor! Ele está sempre lá, sempre a corrigir-nos. Você é o nosso querido homem!!!!)
"As Testemunhas de Mishanin". Fevereiro de 2018.
Mais uma vez, uma pergunta. Existem oito modelos de NS. Ao sinal de corrente, as entropia das saídas NS são as seguintes
5,875787568 -5,702601649 5,066989592 9,377441857 7,41065367 1,401022575 4,579082852 5,119647925
Qual delas devo escolher? O vermelho? Porque tem entropia negativa ou o azul? Está mais perto de zero. Vou dizer que estes dois modelos olham em direcções diferentes, mas sabemos que o tempo dirá quem estava certo.... No final, um deles vai ganhar. Quem está a pensar nisso?
Resumindo o que escrevi acima - você precisa primeiro determinar a centralidade cruzada das combinações preditoras, e tomar a combinação preditoras onde a centralidade cruzada é mais baixa. Estranho que seja negativo, no meu caso é apenas infinito a zero, mas o que quer que seja, pegue o mais negativo então.
A entropia da saída NS é, na minha opinião, ruim como uma estimativa da própria neurônica. Você pode ajustar as saídas da rede para dar uma resposta correta em 100% dos casos, e ela terá uma baixa entropia, mas pode ter um grande excesso de equipamento. A sobrealimentação é má.
A questão é que encontrei um add-on para o Excel, que calcula a entropia. Terminei-o da maneira que eu queria, sem alterar a lógica do cálculo e, portanto, tenho esta pergunta. Explique o que está a acontecer aqui no cálculo destes ciclopes. O que é que eles fazem exactamente, eu compreendo, mas de alguma outra forma.... HM....
Para cada valor no ActiveSheet.Range(Data1)
X(I) = Valor
Nn = Nn + Valor
I = I + 1
Valor seguinte
Neste loop, o array X é escrito e há também uma soma acumulativa, como se não houvesse dúvidas, mas mais....
Para I = 1 Para N
X(I) = X(I) / Nn
Próximo I
Dividimos cada elemento da matriz pela soma total dos valores, suspeito que esta seja apenas a busca de frequência. Right????
Ok... acho que já percebi, precisamos de somar todas as frequências para encontrar a probabilidade. Certo?
Para resumir o que escrevi acima, primeiro determine a centralidade cruzada das combinações preditoras, e pegue a combinação preditoras com a centralidade cruzada inferior. É estranho que seja negativo, no meu caso é apenas infinito a zero, mas não importa, pegue o mais negativo então.
A entropia da saída NS é, na minha opinião, ruim como uma estimativa da própria neurônica. Você pode ajustar as saídas da rede para dar uma resposta correta em 100% dos casos, e ela terá uma baixa entropia, mas pode ter um grande excesso de equipamento. A sobrealimentação é má.
Para encontrar entropia cruzada primeiro você precisa encontrar entropia condicional de dois eventos, que é o que eu estou fazendo agora....
E a estimativa da entropia do modelo é necessária quando o modelo está em OOS. Tendo emitido um sinal, podemos calcular a entropia deste sinal e usá-lo para tirar conclusões. A entropia do sinal aumentou. Que se lixe, está em baixo - é a nossa locomotiva a vapor....