Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1200

 
Igor Makanu :

son birkaç ayın en akıllı yazısı! ...düşünmelisin, uzun zamandır spor yapmıyorum, vücudu hazırlaman gerek, tatil yaklaşıyor!


peki, olasılığı elde etmek için araştırmaya ihtiyacınız var (bizim durumumuzda deneyler, test), başka bir yol yok, yalnızca Veri madenciliği yardımcı olacaktır, ancak çoğu için YouTube derslerine bakmadım, hepsini hatırlıyorum bu bir ders değil, o zaman Python (((

2. çeyrek mb'de ng'den sonra uzun boylu önce pitonlamaya başlayacağız))

 
mytarmailS :

Yardımcı olur mu bilmiyorum! Korelasyon deneyebilirsin. İhtiyacınız olan eğri şeklinde almak istediğiniz ideal sonucu hayal edin, ardından en iyi modeli bulma sürecinde korelasyonu hesaplayarak mevcut sonucu ideal (sizin için ideal eğri) ile karşılaştırın. İdeale en yakın korelasyona sahip model, hedeflediğiniz modele en yakın olan olacaktır.

Fikir için teşekkürler, ancak bu mümkün değil çünkü ideal çok soyut - ne olması gerektiği açık değil. İlk bakışta, her yineleme iyileştirmeler, hatta iyileştirmede belirli bir artış sağlamalıdır, ancak bu banal bir fikir ve şimdi ML için yazılım geliştiricilerinin bunu neden uygulamadığı açık değil. Ya bu modeli oluşturan ürünü rekabetsiz hale getirecek çok uzun bir eğitimdir ya da fikrin gerçek testleri yapılmış ve hiçbir avantajı ortaya çıkmamıştır.

 
Maksim Dmitrievski :

burada terver üzerinden kalıp arama üzerine makaleler var, nedense birkaç bilgi normu var

ve Bayes tarafından neredeyse hiç yok ve nerede varsa, bir çırpıda çözeceksiniz.

Bayes ile ilgili temel sorun, doğru ön dağıtımı seçmektir. Bizim durumumuzda, her şey durağan olmama nedeniyle karmaşıktır - zamana bağımlılık görünebilir.

Açık görünüyor - büyük bir tarih üzerine a priori ve küçük bir tarih üzerine a posteriori inşa etmek. Sorun, durağan olmama koşullarında tarihin bu bölümlerinin doğru tahsisindedir.

 
Maksim Dmitrievski :

İşte terver aracılığıyla kalıp arama ile ilgili makaleler bir nedenden dolayı birkaç bilgi normu var


Neden olmasın - tonlarca, yasaklayıcı, ustalaşmak imkansız. Adı GARCH. Orada, model üç bölümden oluşuyor:

  • ARIMA ile modellenen trend, veya FARIMA ile mümkündür (kesirli entegrasyon - Hurst altında biçerler);
  • daha fazla dispersiyon formu;
  • daha fazla dağıtım ve ne değil, örneğin endeksin 500 hissesinin tamamında test edilerek ve ilgili sonuçların hesaplanmasıyla.

Teori anlamında mutluluk için başka neye ihtiyaç var?


Belki de bu yüzden her yerde mevcut değildir, çünkü her şey çeşitli garches çerçevesinde toplanmıştır (bir şekilde linkler gönderdim - 100'den fazla farklı garches)?

 
Aleksey Nikolaev :

Bayes ile ilgili temel sorun, doğru ön dağıtımı seçmektir. Bizim durumumuzda, her şey durağan olmama nedeniyle karmaşıktır - zamana bağımlılık görünebilir.

Açık görünüyor - büyük bir tarih üzerine a priori ve küçük bir tarih üzerine a posteriori inşa etmek. Sorun, durağan olmama koşullarında tarihin bu bölümlerinin doğru tahsisindedir.

Evet, bu açık ve dahası, bunu MO aracılığıyla zaten yaptım (anlayış seviyeme göre). İkinci model, her adımdan sonra ilkinin sinyallerini düzeltir. Her şeyin çok kolay, hızlı ve uyarlanabilir olduğu ortaya çıktı .. ancak daha fazla araştırmaya ihtiyaç var. Ve vay, bunun için teoriyi bile ayarladım (Bayesian, akıllı gibi)

 
San Sanych Fomenko :

Neden olmasın - tonlarca, yasaklayıcı, ustalaşmak imkansız. Adı GARCH. Orada, model üç bölümden oluşuyor:

  • ARIMA ile modellenen trend, veya FARIMA ile mümkündür (kesirli entegrasyon - Hurst altında biçerler);
  • daha fazla dispersiyon formu;
  • daha fazla dağıtım ve ne değil, örneğin endeksin 500 hissesinin tamamında test edilerek ve ilgili sonuçların hesaplanmasıyla.

Teori anlamında mutluluk için başka neye ihtiyaç var?


Belki de bu yüzden her yerde mevcut değildir, çünkü her şey çeşitli garches çerçevesinde toplanmıştır (bir şekilde linkler gönderdim - 100'den fazla farklı garches)?

ya da belki kafanızda karşılaştırmak zor.. örneğin koşullu olasılıklar, ortak olasılıklar vs. garch ile belirlendiklerini söyleyebilir miyiz?

yani, sadece arama alanını ayarlamak istersem, tabiri caizse, benim için buradan oraya farklı kombinasyonlarda, örneğin artışlarla, zaman aralıklarıyla veya başka bir şeyde kalıpları arayın.

Python'da benzer bir şey istiyorum (aynı zamanda pratik olacak)

bunun gibi bir şey: https://www.mql5.com/ru/articles/3264
Наивный байесовский классификатор для сигналов набора индикаторов
Наивный байесовский классификатор для сигналов набора индикаторов
  • www.mql5.com
Хотим мы того или нет, но статистика в трейдинге играет заметную роль. Начиная с фундаментальных новостей, пестрящих цифрами, и заканчивая торговыми отчетами или отчетами тестирования, от статистических показателей никуда не деться. Вместе с тем, тезис о применимости статистики в принятии торговых решений остается одной из самых дискуссионных...
 
Maksim Dmitrievski :

Evet, bu açık ve dahası, bunu MO aracılığıyla zaten yaptım (anlayış seviyeme göre). İkinci model, her adımdan sonra ilkinin sinyallerini düzeltir. Her şeyin çok kolay, hızlı ve uyarlanabilir olduğu ortaya çıktı .. ancak daha fazla araştırmaya ihtiyaç var. Ve vay, teoriyi bile buna uydurdu (Bayesian, akıllı gibi)

Bir önceki dağıtım oluşturmanın başka bir açık yolu daha var. "Limitte / ortalamada" fiyatların SB gibi davrandığı gerçeğinden hareket edersek, bu dağılımı SB üzerine kurabiliriz. Nadir durumlarda bu analitik olarak yapılabilir, ancak genellikle Monte Carlo. Yöntem daha karmaşıktır ve öncekinden daha iyi olduğu gerçeği değildir.

 
Aleksey Nikolaev :

Bir önceki dağıtım oluşturmanın başka bir açık yolu daha var. "Limitte / ortalamada" fiyatların SB gibi davrandığı gerçeğinden hareket edersek, bu dağılımı SB üzerine kurabiliriz. Nadir durumlarda bu analitik olarak yapılabilir, ancak genellikle Monte Carlo. Yöntem daha karmaşıktır ve öncekinden daha iyi olduğu gerçeği değildir.

normal olarak, fumble :) veya başka bir Alexei, model sinyallerinin eğitimli örnek üzerindeki dağılımlarının eğrilerini gösterdiği gibi, a priori için normal temel.

hepsi sağlam şeyler
 
Maksim Dmitrievski :

normalde, fumble :) veya başka bir Alexey, model sinyallerinin eğitimli örnek üzerindeki dağılımlarının eğrilerini gösterdiği gibi, a priori için normal temel.

hepsi sağlam şeyler

Her şey, hem keskin hem de sürünen olabilen durağan olmama nedeniyle bozulur.

 
Maksim Dmitrievski :

normalde, fumble :) veya başka bir Alexey, model sinyallerinin eğitimli örnek üzerindeki dağılımlarının eğrilerini gösterdiği gibi, a priori için normal temel.

hepsi sağlam şeyler

Benden bahsediyorsak, test örneğinde ve sınav örneğinde eğriler gösterdim - eğitimin devam ettiği örneğe bile bakmıyorum ...