Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2396
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
Макбуки рвут и мечут с новыми процессорами в задачах МО. Плохая новость в том, что CatBoost пока не поддерживает архитектуру arm, но они, вроде как, работают над этим
Conclusion
From these tests, it appears that
Of course, these metrics can only be considered for similar neural network types and depths as used in this test.
For big trainings and intensive computing lasting for more than 20 minutes, I will still go for cloud-based solutions as they provide cards built for such long heavy load and enable sending several jobs simultaneously. But this scenario is only for some specific research representing only 10% of my work, mostly for professional usage in some specific business area.
As a machine learning engineer, for my day-to-day personal research, M1 Mac is clearly the best and the most cost-efficient option today.
https://towardsdatascience.com/benchmark-m1-part-2-vs-20-cores-xeon-vs-amd-epyc-16-and-32-cores-8e394d56003d
Кто нибудь знаком с таким видом обучения с учителем?
Когда в роли учителя не лейблы а сам человек, человек тыкает мышкой на понравившейся ему образ, а АМО пытаеться отделить этот образ от всего остального и найти в истроии такие же образы с таким же результатом..
Кто то знает есть ли такое обучение и если есть как называется?
Я знаю как такое реализовать но может есть уже готовенькое?
Тоже возникло желание высказать мысль вслух. Мысль на тему нестационарности. Понятно как в её условиях использовать метод К-ближайших соседей. Берём последние по времени N паттернов, из которых выбирается К ближайших к формирующемуся паттерну и на их основании принимаем решение. Простота происходит из-за отсутствия, по сути, обучения. Интересно, есть ли какие-нибудь другие алгоритмы МО, легкие в использовании подобным способом?
Я очень много исследовал и исследую как этим методом, так и сам метод, не знаю почему но он мне самый близкий и интуитивный..
Этот метод из семейства "без модельного прогнозирования"
В нете известен как "прогнозирование по аналогам из пред истории" , "метод комплексирования аналогов МГУА" итп...
Когда то давно использовался для прогноза погоды..
По сути это обычная кластеризация, только более точная .. Разница только в том что в обычной кластеризации центр кластера(прототип) нечто среднее между аналогами, а данном методе центр кластера это текущая цена или что там, таким образом можно точнее найти аналоги именно под текущий момент..
Я уже даже многомерные паттерны искал, даже придумал свою мини методику как форестом искать паттерны в пред истории, кароч. я очень глубоко в этой теме..
Я очень много исследовал и исследую как этим методом, так и сам метод, не знаю почему но он мне самый близкий и интуитивный..
Этот метод из семейства "без модельного прогнозирования"
В нете известен как "прогнозирование по аналогам из пред истории" , "метод комплексирования аналогов МГУА" итп...
Когда то давно использовался для прогноза погоды..
По сути это обычная кластеризация, только более точная .. Разница только в том что в обычной кластеризации центр кластера(прототип) нечто среднее между аналогами, а данном методе центр кластера это текущая цена или что там, таким образом можно точнее найти аналоги именно под текущий момент..
Я уже даже многомерные паттерны искал, даже придумал свою мини методику как форестом искать паттерны в пред истории, кароч. я очень глубоко в этой теме..
Метод интуитивно очевидный же, поэтому его невозможно обойти стороной. Но хочется какого-нибудь разнообразия. Например, какое-нибудь простое переучивание модели, когда добавляется один новый пример и выкидываются устаревшие.
Aleksey Nikolayev:
какое-нибудь простое переучивание модели, когда добавляется один новый пример и выкидываются устаревшие.
Ну или выбрасывание устаревших примеров тогда, когда время оказывается слишком значимым признаком в сравнении с прочими.
Ну или выбрасывание устаревших примеров тогда, когда время оказывается слишком значимым признаком в сравнении с прочими.
Я не понимаю в чем разница между твоей идеей и постоянным переобучением АМО в скользящем окне..
Берешь ты последние n образов от текущего, отсортированых по времени , делаешь прогноз на их основе, что это должно дать?
Ты просто тупо переобучаешься в скользящем окне как с АМО выше, в чем преимущество?
Я не понимаю в чем разница между твоей идеей и постоянным переобучением АМО в скользящем окне..
Берешь ты последние n образов от текущего, отсортированых по времени , делаешь прогноз на их основе, что это должно дать?
Ты просто тупо переобучаешься в скользящем окне как с АМО выше, в чем преимущество?
Суть в том, что длина скользящего окна должна не задаваться фиксированным значением N, а определяться из максимизации его длины при условии отсутствия в нём устаревших примеров.
Это похоже на то, что называется задачей обнаружения разладки (change point detection)
Суть в том, что длина скользящего окна должна не задаваться фиксированным значением N, а определяться из максимизации его длины при условии отсутствия в нём устаревших примеров.
Это похоже на то, что называется задачей обнаружения разладки (change point detection)
N - я мел ввиду количество аналогов, а не размер окна
Но этот поход не сработает, по крайней мере с одномерными данными точно
Разве что брать очень длинные участки как образы, но тогда "проклятье размерности"