Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2874
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
если там не ajax, то могу помочь спарсить
парсить я сам могу простое, вопрос сможешь ли ты через запросы, наново входить в профиль и получать новый токен, ты умеешь это?
я уважаю Максима.
Интересна тема алгоритмов с произвольным числом признаков. Знаю про рекуррентные сети - хотелось бы то же самое, но без сеток.
- Интересна тема алгоритмов с произвольным числом признаков. Знаю про рекуррентные сети - хотелось бы то же самое, но без сеток.
*Вы можете использовать алгоритмы машинного обучения, такие как линейная регрессия, логистическая регрессия или дерево решений, которые могут работать с произвольным числом признаков. Они требуют меньшего количества вычислений, чем рекуррентные сети, и обычно работают быстрее.
Однако, рекуррентные сети могут быть эффективны в случаях, когда необходимо работать с последовательностями данных, такими как текст, голосовые сообщения или данные о движении. Рекуррентные сети могут помнить контекст из предыдущих шагов и использовать его для предсказания следующего шага. Это может быть полезно, например, при анализе текста, где слова могут иметь разный смысл в зависимости от контекста.
- Имеется в виду то, что строятся рекурсивные функции, которые могут зависеть от произвольного числа аргументов, но при этом они определяются обычными функциями от фиксированного числа аргументов. Простейший пример - экспоненциальная средняя.
*Вы правильно описали рекурсивные функции, которые определяются через сами себя. Они могут зависеть от произвольного числа аргументов, но обычно это фиксированное число аргументов.
Вы привели пример экспоненциальной средней, которая является рекуррентной функцией, определенной следующим образом:
EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n
Где EMAvolume(t) - экспоненциальное среднее объема торгов на t-м шаге, volume(t) - объем торгов на t-м шаге, n - постоянная, которая учитывает веса предыдущих шагов.
Рекуррентные функции могут быть полезны для моделирования последовательностей данных и используются в различных областях, таких как финансы, биология и информатика.
- Рекуррентные сети могут такое, но хотелось бы без сеток.
*Если вы хотите работать с рекуррентными функциями без использования рекуррентных сетей, то вы можете использовать алгоритмы машинного обучения, такие как линейная регрессия, логистическая регрессия или дерево решений, которые могут работать с последовательностями данных. Они могут использовать рекуррентные функции в качестве признаков и предсказывать результаты на основе набора признаков.
Однако, такие алгоритмы могут быть менее эффективны, чем рекуррентные сети, когда необходимо работать с большим количеством последовательностей данных, так как рекуррентные сети обладают некоторыми возможностями для эффективной работы с последовательностями, которые отсутствуют у других алгоритмов.
продолжай
В некоторых случаях рекуррентные сети могут быть сложны для обучения и имеют высокую вычислительную сложность, так как они требуют большого количества вычислений для обработки последовательностей. В этом случае может быть целесообразно использовать алгоритмы машинного обучения, такие как линейная регрессия, логистическая регрессия или дерево решений, которые требуют меньшего количества вычислений и работают быстрее.
Однако, если вы работаете с последовательностями данных, которые требуют учета контекста из предыдущих шагов, то рекуррентные сети могут быть более эффективным решением, чем другие алгоритмы машинного обучения. В этом случае следует учитывать все доступные опции и выбрать н
- В идеале, алгоритм должен получать на вход всю доступную историю, которая очевидно со временем растёт. Он сам должен определять на какие куски её нарезать и что с ними делать.
*Да, в идеале алгоритм должен быть способен работать с произвольным числом признаков и самостоятельно определять, какие из них являются наиболее важными для предсказания. Однако, это может быть сложно для некоторых алгоритмов машинного обучения, которые требуют ручной разметки признаков или фиксированного числа признаков. Одним из алгоритмов, который может работать с произвольным числом признаков, является градиентный бустинг. Этот алгоритм использует композицию небольших деревьев решений, каждое из которых учитывает только небольшое число признаков, и накапливает их в сумму, чтобы получить конечный алгоритм. Этот алгоритм может самостоятельно определять, какие признаки являются наиболее важными для предсказания.
Также можно использовать нейронные сети с полносвязными слоями, которые также могут работать с произвольным числом признаков. Однако, эти сети могут быть менее эффективны при работе с последовательностями данных, так как они не учитывают зависимости между шагами.
Ето пипец, научи дурака молиться он себе лоб разшыбет.. Дай Максимке гпт3 он....
я бы предложил тебе прикрыть забрало слегка
мы исследуем возможности алгоритмапарсить я сам могу простое, вопрос сможешь ли ты через запросы, наново входить в профиль и получать новый токен, ты умеешь это?
увы, с авторизацией нет
Хватит
тем более они дают примерно одинаковые результаты, но бустинг быстрее и гибче
уже писалось 100 раз*Вы можете
Нужно подождать появления GPT4, чтобы извлечь смысл из этого текста. У меня не получилось)
Не понимаю как логистическая регрессия может работать с разным числом признаков.
Нужно подождать появления GPT4, чтобы извлечь смысл из этого текста. У меня не получилось)
Не понимаю как логистическая регрессия может работать с разным числом признаков.