Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2354

 
elibrarius :
Daha iyi karı karşılaştırın. Eğim hatası değil.

Asla daha iyi değil, kâra bakınca tek bir avantaj görmüyorum ama bir çok dezavantaj görüyorum...

Ve diğer şeylerde kodu verdim ama deneyecek kimse yok, yazıları yazmak açıkçası daha kolay...

sibirqk :
Aslında bu, bir trend çizgisi oluşturup ardından onu orijinal seriden çıkarmakla hemen hemen aynı. Evet, böyle bir dengeyi tahmin etmek daha kolaydır, ancak burada her şey trend tahminine bağlıdır. Bunu tahmin etmek için, fiyatın gelecekte nereye gideceğini en azından yaklaşık olarak bilmeniz gerekecek. Ama bunu biliyorsanız, o zaman keçi düğmesi akordeon için ne - önceki tüm aşamalar anlamında.

Aslında bu hiç de aynı değil ve tüm çıkarımlarınız sırasıyla aynı değil... Detrending ile normalleşmeyi nasıl karıştırırsınız, genel olarak kafama takılıyor...

İdeolojik olarak, bu Box-Cox dönüşümüne en yakın olanıdır.

 
mytarmailS :

Asla daha iyi değil, kâra bakınca tek bir avantaj görmüyorum ama bir çok dezavantaj görüyorum...

Ve diğer şeylerde kodu verdim ama deneyecek kimse yok, yazıları yazmak açıkçası daha kolay...

Aslında bu hiç de aynı değil ve tüm çıkarımlarınız sırasıyla aynı değil... Detrending ile normalleşmeyi nasıl karıştırırsınız, genel olarak kafama takılıyor...

İdeolojik olarak, bu Box-Cox dönüşümüne en yakın olanıdır.

Sen daha iyi biliyorsun. Muhtemelen. Araştırmanızda iyi şanslar.
 
Normalizations\discritizations\detrenders\smoothers\DSP fiyattaki son şeyi kaldırır (alfa)
 
Maksim Dmitrievski :
Normalizations\discritizations\detrenders\smoothers\DSP fiyattaki son şeyi kaldırır (alfa)
Burada muhtemelen kabul edeceğim - alfa, IMHO'yu bulmak için uzaktan kumandayı nasıl tahmin edeceğinizi öğrenmeniz gerekiyor 🙂
 
sibirqk :
Burada muhtemelen kabul edeceğim - alfa, IMHO'yu bulmak için uzaktan kumandayı nasıl tahmin edeceğinizi öğrenmeniz gerekiyor 🙂

Bu, homojen verilerden öğrenmeyi seven sinir ağları için klasik veri hazırlığına aykırıdır.

 
Maksim Dmitrievski :

Bu, homojen verilerden öğrenmeyi seven sinir ağları için klasik veri hazırlığına aykırıdır.

Belki de bu yüzden çok az insan alfa buluyor 🙂
 

filan filan

Sadece trend olabilecekken neden bir şey yapasın ki...

 

Kesirli türevin ne olduğunu anlayan var mı?

https://dou.ua/lenta/articles/ml-vs-financial-math/ adresinde Prado'dan aldı.

" Bizim bildiğimiz zaman serilerinin farklılaşması fiyatların evrimine dair tüm hafızayı tamamen ortadan kaldırıyor " diye yazıyor - bu, her bir çubuk için bir önceki çubukla farkı alırsak görülebilir.

Burada forumda çoğunluk 0. çubukla farkı kullanıyor.

1) Peki ya kesirli türev? 0.1-0.5 katsayıları önerilir.

1 bar'dan az olan fark alınamaz. Belki bir sonrakinden 2, 5 ... 10 ..20 bar farkı budur?

2) 0. çubukla farktan daha iyi nasıl olur?
Машинное обучение против финансовой математики: проблемы и решения
Машинное обучение против финансовой математики: проблемы и решения
  • dou.ua
Всем привет! Так получилось, что я уже около семи лет занимаюсь машинным обучением. В последние несколько из них я как исследователь и CTO Neurons Lab часто работаю с финансовыми данными в рамках проектов, связанных с инвестиционным менеджментом и алгоритмическим трейдингом. Чаще всего клиенты приходят с текущими стратегиями, которые нужно...
 
elibrarius :

Kesirli türevin ne olduğunu anlayan var mı?

https://dou.ua/lenta/articles/ml-vs-financial-math/ adresinde Prado'dan aldı.

" Bizim bildiğimiz zaman serilerinin farklılaşması fiyatların evrimine dair tüm hafızayı tamamen ortadan kaldırıyor " diye yazıyor - bu, her bir çubuk için bir önceki çubukla farkı alırsak görülebilir.

Burada forumda çoğunluk 0. çubukla farkı kullanıyor.

1) Kesirli farklılaşma ne olacak? 0.1-0.5 katsayıları önerilir.

1 bar'dan az olan fark alınamaz. Belki bir sonrakinden 2, 5 ... 10 ..20 bar farkı budur?

2) 0. çubukla farktan daha iyi nasıl olur?

https://www.mql5.com/en/articles/6351

EMA detrend ile pek bir fark görmüyorum ve farklı gecikmelere sahip birkaç satır özelliklere geçirilirse, o zaman kesirli türev kullanmanın anlamı ortadan kalkar.
Грокаем "память" рынка через дифференцирование и энтропийный анализ
Грокаем "память" рынка через дифференцирование и энтропийный анализ
  • www.mql5.com
Область применения дробного дифференцирования достаточно широка. Например, алгоритмы машинного обучения, обычно, принимают дифференцированный ряд на вход. Проблема в том, что необходимо вывести новые данные в соответствии с имеющейся историей, чтобы модель машинного обучения смогла распознать их. В данной статье рассматривается оригинальный подход к дифференцированию временного ряда, в дополнении к этому приводится пример самооптимизирующейся ТС на основе полученного дифференцированного ряда.
 
O zaman kitabın ilerleyen bölümlerinde metamodeller hakkında sorularınız olacak. Ama sizi hayal kırıklığına uğratmak için acele ediyorum - aynı zamanda sonuçları iyileştirmiyorlar: D