Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2476
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Ben tamamen geliştiricinin sorumluluğundayım - yüzgeçte yatmak için hiçbir neden inanmıyorum ve görmüyorum. kitaplardan / bloglardan / makalelerden (ve istatistik işlenmiş dağıtımlardan) herhangi bir finansal modelin kaos tahmini / enterpolasyonu ile analizi ... çıktının daha fazla tahmin edilmesi için
Evet, esas bu, mesele ne biliyor musunuz, insanlar bu formülleri ve modelleri, göreve bakmadan oluşturdular, evrensel bir şey yapmaya çalıştılar, safça her şeye uygulanabilir diye düşündüler. Nedense herkes Laplace, Fourier, Taylor, Normal dağılım kelimelerini kullanmayı sever ve eğer hepsini sisteme dikerlerse, o zaman her şeyin bir nedenle işe yarayacağını düşünürler. Bu konuda güçlüydüm, dizimde Tsiolkovsky formülünü çıkarmıştım ve kimse bunu nasıl yaptığımı anlayamadı ... Böyle bir deneyim yaşadım, danışmandaki bir sonraki mumu tahmin etmeye çalıştım. lineer denklemler, büyük matrisler derlenirken ve determinantlar ve diğer saçmalıklar düşünülürken ve bana göründüğü gibi, o zaman kimsenin sahip olmadığı çok güzeldi, ancak test ederken, bana göre tamamen saçmalık olduğu ortaya çıktı. beklentiler, bir sonraki anda bir piyasa gurusu olmam gerekiyordu, bu muhtemelen yaklaşık 5 yıl önceydi, o zaman üniversiteden yeni mezun oldum (bu arada, matan ve fiziği çok iyi biliyordum), yani harika formülleri bilmek ve teoremler bizi sıradan bir tüccardan çok daha güçlü yapmaz ve pratik düzlem hakkında konuşursak, o zaman sonunda daha da zayıf olur ... Tersinden gitmenin en kesin yolu. önce ne beklediğimizi kendinize sormanız, önce basit insan diliyle cevaplamanız ve sonra hepsini bir tür matematiksel kritere dönüştürmeniz gerekiyor. Şimdi bunun için orijinal modeli ve nasıl inşa edileceğini düşünmenize gerek olmadığını biliyorum, ancak model gerekli göstergeleri veriyorsa, baştan sona gitmeniz gerekiyor, ondan sonra onu anlamaya çalışabilirsiniz. , ama sonunda her şey AI'ya geliyor ve daha akıllı bir sistem varsa, matematikçiyi o kadar fazla rahatsız edecek, bu engeli aştım ve işimde makineye mümkün olduğunca fazla yetki vermeye çalışıyorum.
Cevabınızı daha önce buldum... muhtemelen, bir önceki gönderi için acelem vardı... muhtemelen, gerçekten, hareketi hız ve ivme ile tanımlayan bir fonksiyon olarak en azından bir parabolden itmeye değer... (hatta bir keresinde bununla ilgili bir araştırma gördüm) tür çizelgeler ve Yunanlılar (delta ve gama) seçenekleri - hatırlayıp bulana kadar - ve bu gerekli değil - çünkü zaman analizine ihtiyacınız var - dikey değil yatay)
Az önce sonsuz sayıda verinin sonlu bir veriye nasıl sıkıştırılabileceğine örnek olarak bir parabol verdim, grafikte sonsuz sayıda nokta var ve bunu toplamda 3 katsayının olduğu formüle indirgeyebilirsiniz. Ve fikriniz hakkında konuşursak, ne düşündüğünüzü anlıyorum, aşağıdaki gibi herhangi bir işlevi yerine getirebilirsiniz:
A[1]*X^0+A[2]* X^1 + ... + A[N]* X^N , bu genellikle bir Taylor serisidir (fonksiyonel seri), ancak A[i] > 0 tüm i = 1...N için, bu, görsel olarak şöyle ise, genel durumda tam olarak birinci türevde sabit bir artış verir:
İdeal olarak, düz bir çizgi en iyi seçenektir, ancak sapmaları tahmin etmek için yukarıda tarif ettiğimle tamamen aynı türde bir güç fonksiyonları ailesini kullanmak mümkündür. Yalnızca son türevin başlangıçtaki türevden kaç kez daha büyük olabileceğini ayarlamak gerekir. Nihai grafiği böyle bir aile etrafında yaklaşık olarak tahmin etmek, en iyi fonksiyonu bulmak ve halihazırda bu fonksiyona göre gerçek grafiğin sapmasını aramak mümkündür, ancak daha sonra işlevselliği genişletebilsem de, sadece düz bir çizgi kullanıyorum. verimliliği bir büyüklük mertebesinde arttırabilir ve sonuç olarak uygun yaklaşımla bilgi işlem gücüne olan ihtiyacı azaltabilir.
Evgeny İlin # :
yetkin bir yaklaşımla bilgi işlem gücü ihtiyacını azaltın.
Sayısal yöntemler için biraz kitaplık alın ve güçte, belki de gpu'da bile bir artış olacaktır.
Sayısal yöntemler için biraz kitaplık alın ve güçte, belki de gpu'da bile bir artış olacaktır.
Fikir fena değil, ama bildiğim kadarıyla, bir vidyukha'ya çok garip bir şekilde kod yazmanız gerekiyor, çünkü her şey biraz farklı çalışıyor, hazır bir kütüphanenin çalışması pek mümkün değil, büyük olasılıkla yapmanız gerekecek kendin yaz. Bu arada, belki bir gün ellerine geçerler.
genel olarak, her zaman olduğu gibi, tüm farklılaşma en küçük karelere iner ... ve geleceğin tüm tahmini, bu en küçük karelerden türetilmesi gereken amaç fonksiyonuna gelir ... resimler için teşekkürler ...
Şimdilik arz ve talebi nasıl değerlendireceğimi düşüneceğim (gerçek likidite benim için hala tanımlamadığım, tanımlamasını makinenin insafına bırakmaya hazır olmadığım kalıplardan daha önemli, istatistiksel olasılık uğruna) ...
ancak geliştiricinin sorumluluğu hakkında - onun için önemli olan özellikleri seçmek için - hatırlayacağım ... ve sonra şablona göre: girişi normalleştirin, olasılıkları hesaplayın, muhtemelen küme (çok fazla veri varsa) ), bir eğim oluşturun, tüm olukları bulun (LSM ile), her şeyi normalleştirin ve onları ortak bir işleve getirin ... dediğim gibi "yüzüne maviye kadar" ... ama makine kuvvetleri tarafından daha hızlı ...
İdeal olarak, düz bir çizgi en iyi seçenektir, ancak sapmaları tahmin etmek için yukarıda tarif ettiğimle tamamen aynı formda bir güç fonksiyonları ailesini kullanmak mümkündür. Yalnızca son türevin başlangıçtaki türevden kaç kez daha büyük olabileceğini ayarlamak gerekir.
güç fonksiyonları ailesi log-normal dağılıma mı dönüşüyor yoksa onu yansıtıyor mu?.. soru aptalcaysa özür dilerim
soru kaldırıldı, cevap muhtemelen değil
Aslında neredeyse hiçbir şey anlamadım. Şöyle gidelim:
1) Objektif fonksiyon nedir ve neden buna ihtiyacınız var?
2) Neden bir lognormal dağılıma ihtiyacınız var ve bunun sizin için yararlı olacağına neden karar verdiniz?
3) Bir fonksiyon “ailesinin” lognormal dağılıma sahip olsa bile nasıl tek bir fonksiyon prototipine dönüşebileceğini tam olarak anlamıyorum.
4) Neyin lognormal dağılımı? Bu dağılımdaki rastgele değişken nedir?
5) MNC nedir?
Basit bir dilde bir soru sormaya çalışın ve basit bir cevap alın) öyleyse üzgünüm)
Aslında neredeyse hiçbir şey anlamadım. Şöyle gidelim:
1) Objektif fonksiyon nedir ve neden buna ihtiyacınız var?
2) Neden bir lognormal dağılıma ihtiyacınız var ve bunun sizin için yararlı olacağına neden karar verdiniz?
3) Bir fonksiyon “ailesinin” lognormal dağılıma sahip olsa bile nasıl tek bir fonksiyon prototipine dönüşebileceğini tam olarak anlamıyorum.
4) Neyin lognormal dağılımı? Bu dağılımdaki rastgele değişken nedir?
5) MNC nedir?
Basit bir dilde bir soru sormaya çalışın ve basit bir cevap alın) öyleyse üzgünüm)
1) çıktı - tahmin için bir işlev (bu bağlamda, sinir ağı seviyeleri için değil)
2) çünkü bir asimetri var (%rate*time ve satıcıların kendileri tarafından tanıtıldı)
3) ...sonuçta aynı türdenler - prototip neden farklı olsun ki? .. ve tamam, güç yasası dağılımının ters ilişkinin bir göstergesi olduğunu görüyorum.
4) fiyat rastgele bir değişkendir
5) en küçük kareler yöntemi
soru başlangıçta (kafamda) Aralıkta (ve zaman aralığında) "Borç-Kredi'nin biriken dengesizliğini belirle" (ifade için de üzgünüm) idi - burada hala eğitim olmadan saymanız gerekiyor ... mat hakkında bir hatırlatma. teşekkürler modelleme - Ben fiziksel bir matematik değilim, ben bir ekolojistim - burada daha kolay (fonksiyonlar ve matematiksel modelleme olmadan, ancak dağılımlar, gerçekler ve olasılıklar ile; zarar vermese de ekosistemi tahmin etmiyoruz) riskleri değerlendirmek için, muhtemelen, bazen; teorik ver derine inmedi) - bu olasılıklarla daha sonra neler yapılabileceği ilginçti (yararlı)
Aslında neredeyse hiçbir şey anlamadım. Şöyle gidelim:
1) Objektif fonksiyon nedir ve neden buna ihtiyacınız var?
2) Neden bir lognormal dağılıma ihtiyacınız var ve bunun sizin için yararlı olacağına neden karar verdiniz?
3) Bir fonksiyon “ailesinin” lognormal dağılıma sahip olsa bile nasıl tek bir fonksiyon prototipine dönüşebileceğini tam olarak anlamıyorum.
4) Neyin lognormal dağılımı? Bu dağılımdaki rastgele değişken nedir?
5) MNC nedir?
Basit bir dilde bir soru sormaya çalışın ve basit bir cevap alın) öyleyse üzgünüm)
1) hedef veya uygunluk işlevi, algoritmanızın çalışmasının nicel bir tahminidir
örneğin, regresyonu eğitirseniz, amaç fonksiyonu algoritma için hatayı hesapladığınız fonksiyon/formül olacaktır, genetik algoritma ile aynı veya bu hemen hemen tüm MO algoritmalarını en aza indiren/maksimize eden herhangi bir başka
https://en.wikipedia.org/wiki/%D0%A6%D0%B5%D0%BB%D0%B5%D0%B2%D0%B0%D1%8F_%D1%84%D1%83%D0 %BD%D0%BA%D1%86%D0%B8%D1%8F
5) en küçük kareler yöntemi
- Anladım - herhangi bir aracı herhangi bir hindi üzerinde optimize etmek (geliştiricinin seçimine göre herhangi bir süre için eğitim almış) ... - türkiye'nize bir min-hata ile girme koşullarını elde etmek için ...
(bunlar çevreyi ve koşulları değerlendiren bir ekolojist olarak düşündüğümden başka olasılıklar olsa da)