Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1299
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich habe etwas Ähnliches gemacht - die Frage bezieht sich wieder auf Prädiktoren und Auswahlkriterien (Ziel). Jetzt (viele Monate später) werde ich alle Ideen mit Prädiktoren beenden und auf dieses Thema zurückkommen. Und das Ergebnis ist im Allgemeinen da, ich habe schon früher gepostet, wie solche Modelle funktionieren, aber ich brauche verschiedene Proben mit unterschiedlichen Streuungen, vorzugsweise von verschiedenen Modellen.
Und was verwendet AutoML als Prädiktoren und Ziele?
das Ziel sollte bekannt sein, und die Prädiktoren werden in Automaten umgewandelt, und die Modelle werden durchsucht
Ich werde schreiben, wenn ich mehr erfahre (und falls)
Ich warte darauf, dass Google TensorFlow auf 2.0 aktualisiert, hoffentlich mit Python 3.7 Unterstützung. Ich liebe alles von Google und dieses Paket ist das Richtige für alle Gelegenheiten, es hat alles.
Nun, die Ziele sollten bekannt sein, und die Prädiktoren werden in der Maschine umgewandelt, und die Modelle werden ebenfalls überschrieben
Ich werde schreiben, wenn ich mehr erfahre (und falls)
Ich warte darauf, dass Google TensorFlow auf 2.0 aktualisiert, hoffentlich mit Python 3.7 Unterstützung. Ich liebe alles von Google und dieses Paket ist das richtige für alle Gelegenheiten, es hat alles.
Schreiben Sie, wenn Sie es herausgefunden haben, sehr interessiert an den Prädiktoren, wenn sie dort öffentlich festgelegt sind. Das Ziel ist auch in unserem Fall schwierig, wegen der zusätzlichen Schätzung des Modells auf dem Geld, das für feste TP und SL gut ist, in anderen Fällen kann sogar ein gutes Modell vom Standpunkt der Vorhersagefähigkeit versagen. Auf jeden Fall berücksichtige ich bei der Schätzung des Modells die Kurve des Klassifizierungsgleichgewichts und prüfe auf Abstriche und andere Kriterien, wie z.B. das normale Gleichgewicht, denn ich erwarte die Gleichmäßigkeit der Klassifizierungsgenauigkeit auf der gesamten Stichprobe.
Ich habe noch kein Python, ich kann viele Dinge auch ohne machen, ich habe viele Ideen, die umgesetzt werden müssen.
Schreiben Sie, wenn Sie es herausfinden, die Prädiktoren sind sehr interessant, wenn sie dort öffentlich festgelegt sind. Das Ziel ist auch in unserem Fall schwierig, denn es gibt eine zusätzliche Bewertung des Modells auf das Geld, es ist gut für diejenigen mit festen TP und SL, für andere Fälle, auch ein gutes Modell in Bezug auf die Vorhersagefähigkeit, kann scheitern. Auf jeden Fall berücksichtige ich bei der Schätzung des Modells die Kurve des Klassifizierungsgleichgewichts und prüfe auf Abstriche und andere Kriterien, wie z.B. das normale Gleichgewicht, denn ich erwarte die Gleichmäßigkeit der Klassifizierungsgenauigkeit auf der gesamten Stichprobe.
Und ich habe Python noch nicht installiert - es gibt viele Dinge, die ich ohne Python machen kann, ich habe viele Ideen, die umgesetzt werden müssen.
Ich meine, die Prädiktoren gehören auch Ihnen, aber sie werden von AutoML selbst umgewandelt, und das gilt auch für die Treffer.
Ich meine, die Prädiktoren sind auch Ihre, aber sie werden von AutoML selbst transformiert und die Auswahl erfolgt automatisch.
Im Grunde gibt es nichts Interessantes, nur einen Wrapper mit zusätzlichen Funktionen :)
Dann im Wesentlichen nichts Interessantes, nur ein Wrapper, der zusätzliche Funktionen gibt :)
Es ging darum, die Routine loszuwerden
Im Gegensatz zu einigen Artikeln, die vorschlagen, alle Datenanalyse-Routinen manuell durchzuführen, was auf nicht-stationären Märkten absurd ist
Ich habe bereits mehrfach geschrieben, dass ich der Meinung bin, dass der statistische Ansatz auf nicht-stationären Märkten nicht funktioniert (d.h. der klassische Ansatz, der in Statistik- und MO-Büchern beschrieben wird).Es ging darum, die Routine loszuwerden
Im Gegensatz zu der Tatsache, dass in einigen Artikeln empfohlen wird, alle Datensuchroutinen manuell durchzuführen, was auf nicht-stationären Märkten absurd ist.
Ich habe bereits wiederholt geschrieben, dass ich der Meinung bin, dass der statistische Ansatz auf nicht-stationären Märkten nicht funktioniert (d.h. der klassische Ansatz, der in Büchern über Statistik und MO beschrieben wird).Nun, das müssen Sie immer noch alles selbst herausfinden - Ziele und Prädiktoren. Ich dachte, es gäbe Forschungen, um die Anzeichen eines übertrainierten Modells anhand seiner Struktur zu erkennen oder so. Es ist wichtig, dass ich lerne, ein Modell zu finden, das in einer Stichprobe unabhängig von Training und Test funktioniert (oder umgekehrt - was nicht funktioniert), aber hier stellt sich auch die Frage "was bedeutet es, zu funktionieren?", und das ist nicht eindeutig. Und die Automatisierung der Modellanalyse ist keine schwierige Sache, zumindest in catbust braucht man nur verschiedene Dateien zu entladen und sie dann zu analysieren, entweder mit MT, wie ich es tue, oder mit Ihrer eigenen Software.
Nun, es liegt immer noch an Ihnen, die Ziele und Prädiktoren festzulegen. Ich dachte, es gäbe Forschungen darüber, wie man Merkmale eines übertrainierten Modells anhand seiner Struktur oder Ähnlichem finden kann. Für mich ist es wichtig zu lernen, ein Modell zu finden, das in einer Stichprobe unabhängig von Trainings- und Testdaten funktioniert (oder umgekehrt - welche Modelle nicht funktionieren), aber hier stellt sich auch die Frage, was es bedeutet, zu funktionieren, und das ist nicht eindeutig. Und die Automatisierung der Modellanalyse ist einfach, zumindest in catbust braucht man nur verschiedene Dateien zu entladen und sie dann zu analysieren, entweder mit MT, wie ich es tue, oder mit Ihrer eigenen Software.
Es kommt dir jetzt so vor, weil du noch keine süßeren Karotten probiert hast.
Du wirst es rechtzeitig schaffen, wenn du lernst, anstatt zu phantasieren.
Denn Ihre Fantasie ist im Vergleich zur Fantasie von Google oder dipmind-Teams auf dem Gebiet der KI ein Tropfen auf den heißen Stein. Sie müssen also die fertigen Produkte nehmen.
Wenn sie schreiben, dass das Modell auf diese und jene Weise verwendet werden soll, dann ist das so. Es gibt keinen Grund, darüber zu fantasieren, denn es ist wichtig zu verstehen, was bereits erfunden wurde.Das denkst du jetzt, weil du noch nie etwas Süßeres als Karotten probiert hast.
Du wirst es rechtzeitig schaffen, wenn du lernst, anstatt zu phantasieren...
Denn Ihre Fantasien wie die von Google oder dipmind im Bereich der KI sind ein Tropfen auf den heißen Stein. Deshalb müssen Sie es aus dem Regal nehmen.
Ich verstehe die Tiefe der Gedanken nicht. Du hast geschrieben, dass die Zielvorgaben und Prädiktoren für diese Software von dir selbst entwickelt werden müssen, und wenn das so ist, dann habe ich geschrieben, dass es nicht viel Sinn hat, denn du kannst alles selbst machen und wirst wissen, wie es funktioniert, was zu verbessern und zu beheben ist.
Was den zweiten Teil der Aussage betrifft, stimme ich zu, aber ich ziehe es vor, das zu nehmen, was ich verstehe, wie es funktioniert.
Ich verstehe die Tiefe der Gedanken nicht. Sie haben selbst geschrieben, dass sowohl das Ziel als auch die Prädiktoren für diese Software selbst entwickelt werden müssen, und wenn das so ist, dann habe ich geschrieben, dass es dann nicht viel Sinn hat, denn Sie können alles selbst machen und wissen, wie es funktioniert, was zu verbessern und zu beheben ist.
Was den zweiten Teil der Aussage betrifft, so stimme ich zu, aber ich ziehe es vor, das zu nehmen, was meiner Meinung nach funktioniert.
AutoML wurde als Beispiel für die Automatisierung des gesamten Prozesses (oder fast des gesamten Prozesses) genannt, das ist die Tiefe des Gedankens. Die logische Kette ergibt sich direkt aus dem ursprünglichen Beitrag. Sie führen sich selbst in eine Sackgasse.
Das Beispiel wurde angeführt, um zu erklären, was mit Verallgemeinerung gemeint ist und nicht mit einer manuellen Extraktion von Wissen, wie Sie es tun. Es heißt sogar, dass die Maschine in fast allen Phasen besser abschneidet als der Mensch.
Ich bezweifle, dass du verstehst, wie Catbust funktioniert.
autoML wurde als Beispiel für die Automatisierung des gesamten Prozesses (oder fast des gesamten Prozesses) genannt, das ist die Tiefe des Gedankens. Die logische Kette ist überschaubar und beginnt mit der ursprünglichen Nachricht. Sie führen sich selbst in eine Sackgasse.
Das Beispiel wurde angeführt, um zu erklären, was mit Verallgemeinerung gemeint ist und nicht mit einer manuellen Extraktion von Wissen, wie Sie es tun. Es heißt sogar, dass die Maschine in fast allen Phasen besser abschneidet als der Mensch.
Ich bezweifle, dass du verstehst, wie Catbust funktioniert.
Ok, probieren Sie es aus und sagen Sie mir, ob Sie es wollen. Und wenn möglich, vergleichen Sie meine Auswahl mit der von ML, wenn dies ohne allzu großen Aufwand möglich ist.
Ja, ich verstehe nicht ganz, wie eine Katheterbüste funktioniert, aber ich habe bereits das Wissen und die Erfahrung mit dem Betrieb, und all das braucht Zeit, die zu einem umfassenden Verständnis führt. Etwas von Grund auf neu zu entwickeln und zu versuchen, es in meiner Arbeit zu verwenden, wenn keine ausreichenden Informationen zur Verfügung stehen, nun, das ist nicht angenehm für mich. Selbst bei catbust muss ich alles suchen und verstehen, übersetzen, daher ist es gut, dass es Leute gibt, die es besser verstehen, ich habe jemanden, den ich nach technischen Aspekten des Codes fragen kann.