> D <- make_data(close)
Error in make_data(close) : could not find function "make_data"
> source('~/.active-rstudio-document', echo=TRUE)
> close <- cumsum(rnorm(10000,sd = 0.00001))+100
> par(mar=c(2,2,2,2)) ; plot(close,t="l")
> D <- make_data(close)
Error in make_data(close) : could not find function "make_data"
> source('~/.active-rstudio-document', echo=TRUE)
> close <- cumsum(rnorm(10000,sd = 0.00001))+100
> par(mar=c(2,2,2,2)) ; plot(close,t="l")
> D <- make_data(close)
Error in make_data(close) : could not find function "make_data"
>
> D <- make_data(close)
Error in h(simpleError(msg, call)) :
ошибка при оценке аргумента '.data' при выборе метода для функции 'embed': argument ".data"is missing, with no default
之前发布的代码脚本也停止工作了。
library(patchwork)
安装了吗?
在一般更新中,即使错误没有写入,但结果也是一样的--几乎都是向上的。
运行它,我得到了相同的图片))
我意识到了错误,在目标中我窥视到了未来......是的......我们失去了控制。
这一行应替换为
dp <- с(diff(close),0)
由
dp <- tail(c(diff(close),0),nrow(X))
我重写了代码,使其更易读一些。
辅助函数
好吧,如果没有其他评估标准,那么通过参数的稳定性
我们还可以将 TS 的输出值表示为时间信号,并测量其熵,将其与随机性进行比较。如果 TS 能够捕捉到某些周期性重复的规律,那么它就会得到反映。
对于定制 FF 的构建者来说,这可能很有用。
最好的衡量标准是时间和现实生活中的测试。任何 TC 都会停止工作。我已经明白了为什么它在新数据上不起作用,甚至大致明白了该怎么做。
关于从 ONNX 到 ONNX 的问题,仅仅是由我遇到的两种说法并列产生的:1) 模型获取可以表示为一个流水线,2) 流水线可以转换为 ONNX 格式。
显然,这在实践中几乎是不可能的。事实上,我想了解究竟是什么阻碍了这种可能性的实现,从而认识到这项技术整体上的根本局限性。
无法写入文件是一回事,不支持数据类型(例如数据帧)又是另一回事。
这两种说法都对。获取包括预处理在内的模型是可能的。遗憾的是,并非所有框架都能做到,只有最简单的框架才能做到。TF/Keras 实现了执行预处理的第一个 NN 层。 scikit-learn 有最丰富的管道+模型选择。 参见 scl2onnx。
很高兴看到认真的贡献者意识到 ONNX 应包括从预处理开始的整个管道。生产中的新数据必须经过与训练中相同的预处理步骤。否则,ONNX 模型的结果将无法预测。
这个方向正在快速发展,我认为这个问题很快就会得到解决。目前,您应该先进行试验。
祝你好运
运行它,我得到了相同的图片 ))
我意识到我错了,我在目标中窥视了未来......是的......我失去了感觉。
应该替换这一行
改为
稍微改写一下代码,使其更易读
辅助功能
试用修改后的代码
出现错误
试用修改后的代码
出现错误
因为函数必须先声明,然后使用...
我怎么知道
那么这个错误就是
关于 RL 的有趣文章。https:// habr.com/ru/articles/349800/
对于交易任务来说,RL 的概念不是多余的吗?我们有环境对代理的影响,但代理对环境有影响吗?也许可以人为地引入第二种影响,但这样做有意义吗?
文章中的两个(或三个)观点对我们来说一点也不多余--那就是损失函数应该准确反映我们的需求,而且应该是平滑的(单调的)。在我们的例子中,它应该是利润,而且应该平稳、单调地依赖于模型参数。
也许可以通过某种方法(例如,类似于核平滑法)实现利润的某种类似物的平滑性。但我很怀疑单调性。