Palestras gratuitas da Universidade de Stanford - página 8
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
Seu nome é Victor Mikhailovich, por acaso?
Perfil.
Eu costumava estudar TA. No MESI, acho que existem três departamentos de ensino de econometria e estatística matemática, eu não estudei. Não estou ciente de nenhum método matemático lucrativo. Conheço os métodos matemáticos que, em mãos habilidosas, podem dar lucro, muitas vezes referidos. Com tabelas de conteúdo, listas de livros. Pacotes de tapetes .... Leve EViews ou R se você não quiser ir ao Google ou ver meu perfil. Mas tudo isso é uma ferramenta, como uma lista de indicadores.
Eu não tenho o graal. Tenho minha habilidade pessoal no uso de estatísticas de TA e matemática. Não vou ensinar esta habilidade a ninguém.
Acho que já respondi em detalhes.
Perfil.
Eu costumava estudar TA. No MESI, acho que existem três departamentos de ensino de econometria e estatística matemática, eu não estudei. Não estou ciente de nenhum método matemático lucrativo. Conheço os métodos matemáticos que, em mãos habilidosas, podem dar lucro, muitas vezes referidos. Com tabelas de conteúdo, listas de livros. Pacotes de tapetes .... Leve EViews ou R se você não quiser ir ao Google ou ver meu perfil. Mas tudo isso é uma ferramenta, como uma lista de indicadores.
Eu não tenho o graal. Tenho minha habilidade pessoal no uso de estatísticas de TA e matemática. Não vou ensinar esta habilidade a ninguém.
Acho que respondi isto de uma forma abrangente.
Primeiro você diz "TA é para bode expiatório, para que eles possam despejar seus depósitos com um olhar importante". E agora "eu tenho minha própria habilidade pessoal no uso de TA e estatísticas matemáticas". Não vou ensiná-lo a ninguém".
Muito bem. Não se prenda às palavras. Aqui está minha opinião pessoal sobre as redes neurais. Comecei a estudá-los em 2006, tentando aplicá-los ao mercado. E em 6 anos, cheguei à conclusão de que as redes em si não são tão importantes quanto a preparação dos dados de entrada. Além disso, os dados de entrada devem ser transformados pelo mesmo AT para reduzir sua dimensão e ser invariantes a distorções no tempo e no eixo de preços. Além disso, devemos saber com antecedência o que queremos da rede, qual sistema de entrada e saída deve implementar. Por exemplo, se quisermos que a rede seja comercializada com ressaltos/quebras de níveis de suporte/resistência, os dados de entrada devem ser apresentados de acordo. Mas depois que os dados de entrada necessários tiverem sido coletados para que a rede seja treinada e tome decisões por nós, não precisamos da rede em absoluto, pois já sabemos como entrar e sair. A tentativa de colocar os preços nos insumos da rede, esperando que a rede os transforme e descubra como utilizá-los, leva a resultados desastrosos.
Então surge a pergunta: as redes são realmente necessárias e vale a pena estudar? Cada um tem sua própria resposta. Por exemplo, acho que não perdi meu tempo aprendendo sobre redes. Eles são úteis para o meu trabalho. Além disso, nosso cérebro é a mesma rede neural. Portanto, negar sua utilidade no comércio é exatamente como negar a utilidade do cérebro. O problema aqui é que ainda não entendemos como nosso cérebro toma a mesma série de preços, concentra-se nos pontos importantes, abstraindo os detalhes, e toma uma decisão. Uma simples rede neural de livros didáticos não pode simular este comportamento. Mesmo que pudéssemos simular este comportamento, a aprendizagem e a velocidade de funcionamento de uma rede "biológica" deste tipo seria muito mais lenta do que nosso cérebro e não seria aplicável ao comércio.
Primeiro você diz "TA é para os bode expiatório drenarem o depósito com um olhar importante". E agora "eu tenho minha própria habilidade em usar TA e estatísticas matemáticas. Esta é uma habilidade que não vou ensinar a mais ninguém".
.....Métodos matemáticos que podem dar lucro não são conhecidos para mim. Os métodos matemáticos que em mãos habilidosas podem trazer lucro são conhecidos por mim, muitas vezes chamados......
O problema aqui é que ainda não entendemos como nosso cérebro toma a mesma faixa de preço, concentra-se nos pontos importantes, abstrai dos detalhes e toma uma decisão .
assim...
Formação de hipóteses
Mineração e coleta de dados
Preparação de dados (filtragem, transformações)
Seleção de modelos, seleção de parâmetros de modelos e algoritmo de treinamento
Treinamento de modelos (busca automática dos parâmetros restantes do modelo)
Análise da qualidade do treinamento
Análise de padrões identificados
tudo isso é chamado de Data Mining...
Uma rede nesta máquina (se for usada)... sobre dados devidamente preparados concordo totalmente... se os dados forem normais, então uma simples regressão linear é suficiente... é isso que você deve almejar...
Primeiro você diz "TA é para os bode expiatório drenarem o depósito com um olhar importante". E agora "eu tenho minha própria habilidade pessoal no uso de TA e estatísticas matemáticas". Essa é uma habilidade que eu não vou ensinar a ninguém".
Muito bem. Não se prenda às palavras. Aqui está minha opinião pessoal sobre as redes neurais. Comecei a estudá-los em 2006, tentando aplicá-los ao mercado. E em 6 anos, cheguei à conclusão de que as redes em si não são tão importantes quanto a preparação dos dados de entrada. Além disso, os dados de entrada devem ser transformados pelo mesmo AT para reduzir sua dimensão e ser invariantes a distorções no tempo e no eixo de preços. Além disso, devemos saber com antecedência o que queremos da rede, qual sistema de entrada e saída deve implementar. Por exemplo, se quisermos que a rede seja comercializada com ressaltos/quebras de níveis de suporte/resistência, os dados de entrada devem ser apresentados de acordo. Mas depois que os dados de entrada necessários tiverem sido coletados para que a rede seja treinada e tome decisões por nós, não precisamos da rede em absoluto, pois já sabemos como entrar e sair. A tentativa de colocar os preços nos insumos da rede, esperando que a rede os transforme e descubra como utilizá-los, leva a resultados desastrosos.
Então surge a questão: as redes são realmente necessárias e vale a pena estudar? Cada um tem sua própria resposta. Por exemplo, acho que não perdi meu tempo aprendendo sobre redes. Eles são úteis para o meu trabalho. Além disso, nosso cérebro é a mesma rede neural. Portanto, negar sua utilidade no comércio é como negar a utilidade do cérebro. O problema aqui é que ainda não entendemos como nosso cérebro toma a mesma série de preços, concentra-se nos pontos importantes, abstraindo os detalhes, e toma uma decisão. Uma simples rede neural de livros didáticos não pode simular este comportamento. Mesmo se conseguíssemos simular tal comportamento, a velocidade de aprendizagem e operação de tal rede "biológica" seria muito mais lenta do que nosso cérebro e inaplicável ao comércio.
Só há conhecimento de livros em rede.
Na econometria, o TS é passado como uma das ferramentas de classificação. Mas a classificação não é suficiente para construir um modelo econométrico normal, NS pode ser parte do modelo, e não o mais importante. A modelagem começa com a aprendizagem e o domínio dos métodos de estimativa. Sem ter métodos de estimativa não se pode analisar um quociente, não se pode avaliar um modelo que construímos a partir dos resultados da análise, não se pode avaliar os resultados da aplicação do modelo. A todos os itens acima, NS não tem nada a fazer.
Seu posto confirma minha perplexidade. Você conseguiu descobrir uma idéia muito simples chamada NS, que afinal pode ser aplicada no comércio. Mas por alguma razão você não passou um único minuto estudando um conceito muito mais simples chamado regressão. E compreender as regressões e saber como usá-las teria mudado drasticamente sua atitude em relação aos indicadores em particular e à assistência técnica em geral. E haveria mais uma pessoa no fórum que afirmaria que "TA é para bode expiatório no campo dos milagres".
algo como isto...
Formação de hipóteses
Recuperação e coleta de dados
Preparação dos dados (filtragem, transformações)
Seleção do modelo, seleção dos parâmetros do modelo e algoritmo de treinamento
Treinamento do modelo (busca automática dos parâmetros restantes do modelo)
Análise da qualidade do treinamento
Análise dos padrões identificados
tudo isso é chamado de Data Mining...
Uma rede nesta máquina (se for usada)... sobre dados devidamente preparados concordo totalmente... se os dados forem normais, então uma simples regressão linear é suficiente... é isso que você deve visar...
Concordo que conhecemos os passos para construir o modelo. Ainda não sabemos como criar uma rede neural que incorpore estas etapas. Talvez, num futuro distante, aprendamos como criar tais redes neurais. Por enquanto, uma rede neural (o cérebro do desenvolvedor) faz todo o importante trabalho preparatório de processamento de dados, identificando padrões, selecionando um modelo e otimizando este modelo, enquanto outra rede (no programa) faz somente computação com base nos dados e estrutura dada pelo desenvolvedor. A adição de pesos auto-optimizadores a esta segunda rede não a torna mais inteligente, mas apenas reduz o erro de modelagem.
Concordo que os passos para construir um modelo são conhecidos por nós. Ainda não se sabe como criar uma rede neural que incorpore estas etapas. Talvez, num futuro distante, aprendamos a criar tais redes neurais. Por enquanto, uma rede neural (o cérebro do desenvolvedor) faz todo o importante trabalho preparatório de processamento de dados, identificando padrões, selecionando um modelo e otimizando este modelo, enquanto outra rede (no programa) faz somente computação com base nos dados e estrutura dada pelo desenvolvedor. A adição de pesos auto-optimizadores a esta segunda rede não a torna mais inteligente, mas apenas reduz o erro de modelagem.
é possível fazer tal construção...em pacotes estatísticos prontos ou vários...para acompanhar tudo com scripts e macros (ou seja, para automatizar completamente)
uma das opções -
Formação de hipóteses - use qualquer ferramenta de mapeamento e rede de treinamento ou ha ou etc. no retorno máximo
- obtenha ou BP que dará retorno máximo ou Booleans (como sinais)... no futuro você pode usar a função de alvo
no retorno máximo e etc. se a rede ou etc. for auto-escrita e normal...
Buscando e coletando dados - baixando tudo o que temos automaticamente...
Preparação de dados (filtragem, transformações) - classificação, agrupamento, análise fatorial, branqueamento de entradas
também pode ser feito em parte pela grade... você pode fazer com algoritmos prontos...
(Esta é a seção mais importante e as transformações astuciosas podem muito bem melhorar os resultados)
Seleção do modelo, escolha dos parâmetros do modelo e do algoritmo de aprendizagem - vários modelos são testados por 1 erro de aprendizagem e o melhor para os dados disponíveis é escolhido (existem módulos prontos em pacotes estatísticos)...
Análise de padrões identificados - aqui você pode simplesmente alimentá-los na rede e ver os pesos na relação % ou assim por diante...
Tal construção seria provavelmente a mais próxima de um fato de inteligência - já que o alvo é selecionado pelo próprio modelo para começar e tudo é automático, desde dados brutos até o corte final...
Em geral, é claro, tudo isso consome muito tempo e é ineficiente... e o interessante é que na prática não será muito diferente da otimização dos indicadores TA normais (e) de retorno máximo ou problemas econométricos (a menos que um preditor normal pisque nos dados)), pois todas as propriedades da BP penetrarão no modelo e serão registradas... com todas as conseqüências subsequentes...
Assim, enquanto Sanych correrá com a régua eq e dirá que a econometria é a melhor... Os mais engenhosos tentarão cortar com TA... com a reciclagem a um certo passo (como uma das opções), pegando a dinâmica da BP que continua por algum tempo e ignorando a não-estacionariedade...)