We have seen in previous posts what is machine learning and even how to create our own framework. Combining machine learning and finance always leads to interesting results. Nevertheless, in supervised learning, it is crucial to find a set of appropriate labels to train your model . In today’s post, we are going to see 3 ways to transform our...
As a continuation to our last post on Time Series Signatures and our running list of posts regarding GANs and synthetic data we now want to present the Signature Conditional Wasserstein GAN, shortened as SigCWGAN, a new GAN architecture presented in [1] that is specifically designed to generate time series of arbitrary length and dimensions. 2...
나는 이것을 가르치는 것이 거의 의미가 없다고 본다. 결국, 변동성이 낮을 때는 분류를 잘 배울 수 있고 변동성이 높을 때는 더 나빠질 수 있습니다. 그리고 낮은 변동성에서 40%의 오류 + 높은 변동성에서 51%의 오류는 시스템의 수익성을 다시 약 0으로 줄 것입니다. 많은 작은 승리가 여러 번의 큰 손실로 상쇄될 수 있습니다.
Pradovskaya 거래 표시
Pradovskaya 거래 표시
이 내용 이 더 흥미롭습니다. 나는 그것을 이해하지 못합니다. 명령 줄에서만 작동합니까? 본 사람 있어?
이 내용 이 더 흥미롭습니다.
이것은 GAN에만 국한되지 않는 또 다른 주제입니다.
Pradovskaya 거래 표시
이해할 수 없는 언어와 생소한 기능... 그리고 작가가 오해의 소지가 있다.
fixed_time_horizon() 함수에 따르면 다음 줄이 있습니다.
idx_lower = 데이터[데이터[이름] < - 임계값].인덱스
그는 위에 썼다
그리고 아래 그림에서 int (즉, 0,1,2,3 ...)가 아니라 0.05, 0.01 ...
두 번 사용하면 더 명확해졌습니다. TP=SL=가격 변경의 일부 값으로 수행한 것과 동일합니다.
그러나 메서드와 함수를 fixed_time_horizon()이라고 하는 이유는 명확하지 않습니다. 고정 시간은 어디에 있습니까? 이것은 시간이 아니라 가격의 고정된 변화입니다.
----------
quantized_labelling() 메서드에 따르면 코드에서 아무것도 이해하지 못했습니다. 예를 들어 0.05와 같은 고정 값이 아니라 가격 변동성에 따라 항상 변하는 분위수를 사용한다고 가정합니다.
이해할 수 없는 언어와 생소한 기능... 그리고 작가가 오해의 소지가 있다.
fixed_time_horizon() 함수에 따르면 다음 줄이 있습니다.
idx_lower = 데이터[데이터[이름] < - 임계값].인덱스
그는 위에 썼다
그리고 아래 그림에서 int (즉, 0,1,2,3 ...)가 아니라 0.05, 0.01 ...
double을 사용하면 - 더 명확해졌습니다. 이것은 내가 TP=SL=가격 변경의 일부 값으로 수행한 것과 동일합니다.
그러나 메서드와 함수를 fixed_time_horizon()이라고 하는 이유는 명확하지 않습니다. 고정 시간은 어디에 있습니까? 이것은 시간이 아니라 가격의 고정된 변화입니다.
----------
quantized_labelling() 메서드에 따르면 - 코드에서 아무것도 이해하지 못했습니다. 예를 들어 0.05와 같은 고정 값이 아니라 가격 변동성에 따라 항상 변하는 분위수를 사용한다고 가정합니다.
코드를 읽지 않았습니다. 가장 중요한 것은 일정이 아니라 증분에 따라 표시하는 것입니다. 노이즈 감소 차트 또는 특정 VR 구성 요소에 마크업을 적용하는 등 흥미로운 기능이 많이 있습니다.
아마도 int를 사용한 실수일 것입니다. Prado 자신이 작성한 것이 아니라 일부 유형
고정된 수평선은 증분의 선택된 지연을 의미합니다. 아마도
코드를 읽지 않았습니다. 가장 중요한 것은 일정이 아니라 증분에 따라 표시하는 것입니다. 노이즈 감소 차트 또는 특정 VR 구성 요소에 마크업을 적용하는 등 흥미로운 기능이 많이 있습니다.
아마도 int를 사용한 실수일 것입니다. Prado 자신이 작성한 것이 아니라 일부 유형
고정된 수평선은 증분의 선택된 지연을 의미합니다. 아마도
누군가는 바보이거나 Prado 또는 그의 유형입니다.
quantized_labelling() 메서드에 의해
나는 이것을 가르치는 것이 거의 의미가 없다고 본다. 결국, 변동성이 낮을 때는 분류를 잘 배울 수 있고 변동성이 높을 때는 더 나빠질 수 있습니다. 그리고 낮은 변동성에서 40%의 오류 + 높은 변동성에서 51%의 오류는 시스템의 수익성을 다시 약 0으로 줄 것입니다. 많은 작은 승리가 여러 번의 큰 손실로 상쇄될 수 있습니다.누군가는 바보이거나 Prado 또는 그의 유형입니다.
all zashibi 노력해야 하지만 난 다르게 할게
그는 그의 책에 약간 다른 설명이 있습니다. 보기에 너무 게으른all zashibi 노력해야 하지만 난 다르게 할게
그는 그의 책에 약간 다른 설명이 있습니다. 보기에 너무 게으른나는 quantile의 관점에서 요점을 보지 못합니다. 위의 게시물을 참조하십시오.
TP=SL 시도했습니다. 50%는 새로운 교차 검증 데이터에 대한 결과입니다.
나는 quantile의 관점에서 요점을 보지 못합니다. 위의 게시물을 참조하십시오.
sl 및 tp 없이 증가합니다.
클러스터링을 통해 이를 수행하고 표시했습니다. 일반적으로 레이블이 지정된 데이터의 곡선은 그다지 좋지 않지만 새 데이터에서는 더 안정적입니다.