Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2464
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
касаемо форума, не умеешь делать выводы из обратной связи, - такого робота и слепишь БЕЗ даже машинного обучения, если свой мозг не помогает... очередному троллю-репостеру-пустослову
касаемо форума, не умеешь делать выводы из обратной связи, - такого робота и слепишь БЕЗ даже машинного обучения, если свой мозг не помогает... очередному троллю-репостеру-пустослову
МО не запоминает историю, возможно Вы о переобучении модели
Как не запоминает? Именно это и делает.
Не встречали выражение "базы данных на основе нейросетей"? Я один раз такое встретил и думаю, что это лучшее определение того, что есть НС/деревья.
Одно дерево можно обучить до последнего сплита и тогда оно запомнит абсолютно всю историю с абсолютной точностью (получим переобученную модель).
Если не до последнего сплита, а чуть пораньше остановить деление (например по 10 примеров в листе), то получится запоминание с обобщением и с усреднением результатов этих 10 самых похожих примеров. Переобучение будет меньше. Т.е. надо остановить деление, когда недообучение начинает переходить в переобучение. Это главная и самая трудная задача.
Как не запоминает? Именно это и делает.
Не встречали выражение "базы данных на основе нейросетей"? Я один раз такое встретил и думаю, что это лучшее определение того, что есть НС/деревья.
Одно дерево можно обучить до последнего сплита и тогда оно запомнит абсолютно всю историю с абсолютной точностью (получим переобученную модель).
Если не до последнего сплита, а чуть пораньше остановить деление (например по 10 примеров в листе), то получится запоминание с обобщением и с усреднением результатов этих 10 самых похожих примеров. Переобучение будет меньше. Т.е. надо подобрать глубину деления с минимальным переобучением.
Применимо к Форексу, запоминает историю и исходя из нее совершает сделку?
Да. Мы же надеемся, что история повторится. Возможно напрасно. Но больше нам надеяться не на что.
Да. Мы же надеемся, что история повторится. Возможно напрасно. Но больше нам надеяться не на что.
Сами же пишут предупреждение в Сигналах, прошлые достижения не говорят о том, что так будет и потом. Забавно
что тут забавного, никто не сможет гарантировать - поступки других лиц.
машинное обучение, сейчас работает только на статике, Максимка как раз доказал это.Как не запоминает? Именно это и делает.
Не встречали выражение "базы данных на основе нейросетей"? Я один раз такое встретил и думаю, что это лучшее определение того, что есть НС/деревья.
Одно дерево можно обучить до последнего сплита и тогда оно запомнит абсолютно всю историю с абсолютной точностью (получим переобученную модель).
Если не до последнего сплита, а чуть пораньше остановить деление (например по 10 примеров в листе), то получится запоминание с обобщением и с усреднением результатов этих 10 самых похожих примеров. Переобучение будет меньше. Т.е. надо остановить деление, когда недообучение начинает переходить в переобучение. Это главная и самая трудная задача.
мне кажется не стоит смешивать нейросети и машинное обучение в трейдинге - картинки здесь понравились - исходя из кторых я пока вижу нейросети - как возможности для ТехАнализа (где нужны глаза, уши и др., как уже отметили выше) или для реккурентные их варианты,
like when you have too much data on hand, when you don't have the formula you need to help you find a relationship between the inputs and outputs in your dataset, or when you need to make predictions rather than come up with explanations.
или с весами - (но как их логично определить, что не вижу возможным (кроме тупого от 0 до 1), или если с обучением (0 или 1), то чтобы не сбились)
Нейроны образуют слои, через которые последовательно проходит сигнал. Все это соединено нейронными связями — каналами, по которым передаются данные. У каждого канала свой «вес» — параметр, который влияет на данные, которые он передает
а машинное обучение в более общем виде - это и дерево решений и даже лес решений, в которых, соглашусь с вами, главное вовремя остановиться, и просто генетические алгоритмы (в том же Excel), и статистика с ошибками и обратным распространением ошибки для дальнейшего обучения... и , наверно даже тот же Monte-Carlo и коэфициент Шарпа и др для оценки риска портфеля и путей диверсификации и хеджирования (вот уж где, действительно можно много данных загрузить для анализа)
p.s.
ну и какой-никакой overview NN to forecast price movements
There is no one correct network organization. Each network architecture has its own benefits and drawbacks. Backpropagation networks are common because they offer good performance, but are often difficult to train and configure. Recurrent networks offer some benefits over backpropagation networks because their "memory feature" can be used to extract time dependencies in the data, and thus enhance prediction. More complicated models may be useful to reduce error or network configuration problems, but are often more complex to train and analyze
- т.е. память будет только если её заложить в архитектуру сети ... а закладывать память в модель изменчивой переменной (как цена) - мне кажется ооочень наивно и опрометчиво... память можно заложить в анализ демографических данных, сезонных колебаний и чего-нибудь ещё более систематически Действительно повторяющегося и постоянного... НО НЕ движения цены для day-trader'а... в крайнем случае в анализ лосей... имхо... или чуть-чуть памяти последних K'тых только если смотреть (и то Flat/Trend отличить - лишь вероятность 0,5)
(по описанным причинам, наверно, действительно, этот спор беспредметен - если говорить безотносительно конкретной архитектуры конкретной сети или иного др. варианта машинного обучения) ... но за warning - спасибо