트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 3137

새 코멘트
 
Maxim Dmitrievsky #:


...

차가 스스로를 보호합니다.

흠, 흥미롭군요.

이인용문은 위에서 설명한 공식에 따라컴퓨터의 작업이기도 합니다.

....

질문 - 이 기계는 승리를 가르칠 준비가 되었나요?

아마 아닐 겁니다.

 
Maxim Dmitrievsky #:

))))


아니요, 저는 여전히 회원 평가가 멋질 것 같아요.

스커트 보드에서 몇 번 멍청한 짓을 하면 그걸로 끝이죠.
 
Forester #:
그렇다면 코줄라 거래는 무슨 의미가 있을까요? 우리는 입력에 대한 이유가 없을 것입니다. 연관성도 없을 것 같네요
그리고 컬럼 셔플은 순열로 되어 있었어요.
특성과 표적 사이에 인과 관계가 있는지 아닌지를 보여주기 위한 것 같아요. 저는 제안된 접근 방식과 실험이 마음에 듭니다. 일반적인 학습과는 다르죠.
문제는 큰 특징 공간에서 교란 요인의 영향으로 인해 트리트먼트 효과를 분리하기가 어렵다는 점일 수 있습니다. 하지만 교차 검증을 사용하면 어느 정도 해결될 수 있습니다.
 
mytarmailS #:

제가 비밀 코드를 제공했나요?

연습은 수다쟁이와 지식쟁이를 구분합니다.

여기에는 모든 것이 단순하지만 올바른 질문 하나만 하면 모든 것이 맛있게 느껴지는 사람들이 많이 있습니다.

무슨 말인지 알겠어요?


여기서 A, B, C는 악기입니다.

거의 같은 거죠:


먼저 두뇌를 켜세요!

어차피 아무도 이해하지 못할 단서가 반복적으로 여러분에게 주어졌어요.

그들은 인간의 뇌를 조롱하고 있습니다.

재미있지 않나요?

자, 누가 이 수수께끼를 풀 수 있는지 봅시다.

그런 다음 결론을 내리죠.

응답


 
mytarmailS #:

))))

아니요, 참가자 순위를 매기는 것도 멋질 것 같아요.

왠지 오래된 농담이 떠오르네요:
"스털리츠는 자신의 입장을 고수했고, 그것은 뮬러가 가장 좋아하는 고문이었다" :)
 
mytarmailS #:

아마도 어떤 종류의 오실레이터일 것입니다.

실제로 당신이 한 일은 당신이 스스로 결정합니다))))

모멘텀 오실레이터

오 멋져요! 감사합니다! 이제 알겠어요) 매번 다시 훈련해야만 하나요? 그렇지 않으면 새로운 데이터에 대한 구성 요소를 인식 할 수 없나요?

 
Evgeni Gavrilovi #:

오, 멋지네요! 감사합니다! 이제 알겠어요) 매번 재교육해야만 하나요? 그렇지 않으면 새로운 데이터에 대한 구성 요소를 인식할 수 없나요?

t-sne이 아닌 umap을 사용하세요.

umap에는 예측자가 있습니다.


그러나 새 데이터가 이전 데이터의 범위를 벗어나면 알고리즘이 올바르게 작동하지 않으므로이 경우 일반적인 PCA를 사용하는 것이 좋습니다.

이것은 정규화되지 않은 데이터에 대해 이야기하는 경우입니다.

 
Renat Akhtyamov #:

무슨 말인지 알겠죠?

여기서 A, B, C는 악기입니다.

여기서 이단이나 주제에서 벗어난 이단은 그만 쓰세요.

스레드의 경쟁자들조차도 이미 한목소리를 내고 있습니다.

 
Maxim Dmitrievsky #:
기능과 대상 사이에 인과 관계가 있는지 여부를 보여 주어야한다고 생각합니다. 나는 제안 된 접근 방식, 실험을 좋아합니다. 일반적인 학습과는 다릅니다.
문제는 큰 특징 공간에서 교란 요소의 영향으로 인해 트리트먼트 효과를 분리하는 것이 어려울 수 있습니다. 하지만 교차 검증을 사용하면 어느 정도 해결될 수 있습니다.
포레스터#:
그렇다면 거래에서 코줄라의 요점은 무엇일까요? 우리는 진입에 대한 이유가 없을 것입니다.
그리고 컬럼 셔플링도 순열에 있었습니다.

그게 카후엘과 무슨 관련이 있나요?

저는 카주엘을 알지 못한 채 10년 동안 인과관계를 계산하고, 정량적으로 추정하고, 창이 움직일 때 이 관계의 변동의 분산으로 예측 변수를 필터링해 왔습니다. 그리고 이 스레드에 이에 대한 게시물을 100개나 작성했습니다.

 
СанСаныч Фоменко #:

애교가 무슨 상관이 있나요?

당신의 카주엘을 알지 못한 채 10 년 동안 인과 관계를 계산하고 정량적으로 평가하여 창이 움직일 때이 관계의 변동 변동에 따라 예측자를 필터링 해 왔습니다. 그리고 이 스레드에 이에 대한 게시물을 100개나 작성했습니다.

얼마나 남았나요? )

시계열과 관련된 충분한 양의 속성과 테스터에서 수익을 보여주는 레이블을 가져와서 강력한 모델을 만들 수 있나요?

결국, 모든 BP 파생상품은 그것과 관련이 있습니다 :)


이 작업은 기능이 어디에서 왔고 왜 필요한지 전혀 명확하지 않은 다른 영역에서는 어렵습니다. 큰 날짜에는 이러한 쓰레기가 엄청나게 많아서 필터링하기가 매우 어렵습니다. 그리고 결과적으로 수많은 잘못된 상관관계도 있습니다.

혈압과 그 파생상품을 예로 들면 우리의 작업은 이에 비해 훨씬 더 원시적으로 보입니다. 모든 징후가 그것과 관련이 있기 때문입니다.

하지만 레이블과 특징을 일치시키기 위해 알고리즘과 로직을 엉망으로 만들어야 합니다. 많은 논리가 있을 수 있습니다. 그러니 여러분은 여러분대로, 우리는 우리대로 할 것입니다.

제가 코줄을 좋아하는 이유를 이미 썼는데, 제가 직접 생각해서 도달했기 때문입니다. 그리고 그는 제 아이디어에 유기적으로 들어맞았죠.

1...313031313132313331343135313631373138313931403141314231433144...3399
새 코멘트
사유: