Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3005
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
Başlangıç serisini grafiklere, kuantalara, seviyelere, sinüzoidlere ya da icat ettiğiniz başka bir şeye dönüştürmek gibi saçmalıklar yapmadan önce düşünmeye bir çağrıydı.
Görevin doğru ayarlanmadığı gerçeği, bunu burada uzun zamandır söylüyorum, en son 10-20 sayfa önce, yani bana öğretecek bir şey yokmuş gibi, her şeyi gayet iyi anlıyorum.....
Verilerde sabit bir sinyalin varlığı hemen genelleme anlamına gelir ve gürültü hatalara dönüşür. Sinyal yoksa, sınıflandırma hatasının basitçe farklı etiketlere ve aynı özellik değerlerine sahip örneklerin üst üste binmesi olduğu ezberleme elde ederiz. İkinci modelin hiçbir tahmin değeri yoktur. Bu benim rebus'umun cevabıdır. Ve sentetik ve gerçek veriler üzerinde yapılan testlerle doğrulanmıştır.
Düzenlilikler, döngüsel olabilen ya da tamamen ortadan kalkabilen değişken bir olasılığa sahiptir. Geniş zaman aralıklarıyla çalışıyorum ve bu olguları gözlemledim.
Bugüne kadar çalışacak bir modeli 2008-2017 (10 yıl) için eğitmenin mümkün olduğunu söyleyeceğim. Böyle bir model az sayıda sinyale sahip olacaktır - Maksimum %30'a kadar hatırlama, ancak bu aynı zamanda on yıl için önümüzdeki birkaç yıl (test örneği) için işe yarayacak birkaç model olduğunu da söylüyor.
Ancak bunların ne tür modeller olduğu - döngüsel mi yoksa tek seferlik mi (belki onlarca yıllık bir döngü ile) - henüz belirlenememiştir ve bu nedenle çalışmaya devam edecek bir model seçmek imkansızdır.
İdeal olarak, en az her 3 ayda bir sıklıkta döngüsel modeller bulmak gerekir ve o zaman modelin düşüşten çıkabileceğini bekleyebiliriz.
Farklı döngüsel modeller üzerinde eğitilmiş bu tür modellerden oluşan bir paket düşüşü azaltacaktır.
Bu nedenle, önemli olan ilk sinyal + hedef + hedefe göre döngüsel pozitif düzenliliğe sahip tahmincilerdir.
Yaklaşımınız - çalkalama ve eleme - bir maden arayıcısının çalışmasına benziyor - elbette çok ilginç ve öğrenilmemiş şeyler bulabilirsiniz, ancak bunun istikrarlı olacağından nasıl emin olabilirsiniz?
Tarihi kendim çözmeyi seviyorum ve bu yönde fikirlerim var, ancak şimdi modelin istikrar olasılığını artırma yönünde kazmak istiyorum.
Yaklaşımınız - çalkalama ve eleme - bir maden arayıcısının işine benziyor - elbette çok ilginç ve öğrenilmemiş şeyler bulabilirsiniz, ancak bunların istikrarlı olacağından nasıl emin olabilirsiniz?
Ben de tarihi sallamayı seviyorum ve bu yönde fikirlerim var, ancak şimdi modelin istikrar olasılığını artırma yönünde kazmak istiyorum.
Onsuz hiçbir şey yapmaya değmeyecek temel bir anlayış yazdım. Sadece her noktayı doğrulamak için (eğer ilk seferde anlamadıysanız 🙂 )
Açıklamalarınıza ve genel olarak yaklaşımınıza itiraz etmiyorum - farklı bir uygulamayla da olsa bunu uzun zaman önce özünde ben de tanımlamıştım.
Yaptığım yapay deneyler, 10 basit düzenliliğe sahip satırları (benim durumumda, tahmin değerinin düştüğü bir kuantum segmenti) çıkarmanın genellikle yeterli olduğunu, tüm örneklemin olasılığı %15-20 oranında bire doğru kaydıracağını ve örneklemi %35 oranında azaltacağını göstermiştir. Bu, makine öğrenimi yöntemleriyle başarılamaz. Özünde bu, işe yaramaz/çelişkili verilerin süzülmesidir. Ancak biz bunu güncel tarihe daha yakın bir şekilde, yani istatistiksel olarak geçmişi bilerek değil, sadece yanlış/çelişkili örüntüleri seçmeye yönelik bazı yöntemlerle yapmak istiyoruz.
Modelin herhangi bir enstrüman üzerinde çalışması gereken bir görev belirlersek, o zaman test etmek mümkündür, ancak bu tür istikrarlı modellerin sayısı daha da azdır. Ve sadece tarih boyunca yarışmak ya da daha da kötüsü sentetikler almak - bunun etkili olduğunu düşünmüyorum. En fazla, günleri karıştırarak günlük artışlardan sentetikler yapmak mümkün, ancak bu henüz benim için mevcut değil. Siz hiç denediniz mi?
Konunun tamamen dışındayım, ancak bir fiyatın bir grafikle temsil edilip edilemeyeceğini ve normal iki boyutlu gösterime göre herhangi bir avantajı olup olmadığını merak ediyorum.
Mandelbrot'un fiyat temsilini, her hareketin üçe bölündüğü üçlü ağaçlardan oluşan bir orman olarak ele alabilirsiniz (aynı yönde iki hareket ve aralarında bir düzeltme).
Avantajı, fiyatın fraktal yapısı hakkında herhangi bir istatistik toplamaya erişimdir. Dezavantajları ise algoritmaların karmaşıklığı ve ileriye bakmaktan kaçınmanın zorluğudur.
Peki bunun yukarıda verdiğim matrisler ve "paralel" platform örnekleriyle nasıl bir ilişkisi var?
Örneğin, bağlantıdan keras'a matrisleri alıyorum, onları çağırıyorum:
ve sıfırları al.
Kontrol örneği uygun değildir.
Kategorik çapraz entropi, ikiden fazla sınıfın olduğu sınıflandırma modellerinde kullanılır. Ve softmax'tan sonra. Softmax, bir değerler kümesini toplamı 1 olan bir olasılıklar kümesine dönüştürür.
Bunun gibi bir kontrol örneği deneyin:
pred: 0,1, 0,1, 0,2, 0,5, 0,1
true: 0, 0, 1, 0, 0, 0
En fazla, günleri karıştırarak günlük artışlardan sentetikler yapmak mümkündür - ancak bu henüz benim için mevcut değil. Bunu hiç denediniz mi?
Mandelbrot'un fiyat temsilini, her hareketin üçe bölündüğü üçlü ağaçlardan oluşan bir orman olarak ele alabiliriz (aynı yönde iki hareket ve arada bir düzeltme).
Avantajı, fiyatın fraktal yapısına ilişkin herhangi bir istatistiğin toplanmasına erişimdir. Dezavantajları ise algoritmaların karmaşıklığı ve ileriye bakmaktan kaçınmanın zorluğudur.
İlişkisel kurallar olarak temsil edilebilir mi?
Bunu hiç düşünmedim, ama bence pek olası değil, çünkü fiyatlarda hareketlerin sırası önemlidir.
Her ihtimale karşı, Mandelbrot'un fikrini açıklamak için bir resim. Her fiyat hareketi, mümkünse, üç harekete bölünür (içindeki maksimum düzeltme seçilerek), sonra ağacın bir düğümü haline gelir. Hareketin içinde herhangi bir düzeltme yoksa (veya belirli bir değerden küçükse), o zaman ağacın bir yaprağı haline gelir.