Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2875
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 interessiere mich für das Thema der Algorithmen mit beliebiger Anzahl von Merkmalen. Ich kenne mich mit rekurrenten Netzen aus - ich möchte dasselbe, aber ohne Maschen.
- Ich interessiere mich für das Thema Algorithmen mit einer beliebigen Anzahl von Merkmalen. Ich kenne mich mit rekurrenten Netzen aus - ich möchte das Gleiche, aber ohne Maschen.
*Sie können maschinelle Lernalgorithmen wie lineare Regression, logistische Regression oder Entscheidungsbaum verwenden, die eine beliebige Anzahl von Merkmalen verarbeiten können. Sie erfordern weniger Berechnungen als rekurrente Netze und sind in der Regel schneller.
Rekurrente Netze können jedoch effektiv sein, wenn Sie mit Datenfolgen wie Text, Sprachnachrichten oder Bewegungsdaten umgehen müssen. Rekurrente Netze können sich den Kontext früherer Schritte merken und ihn zur Vorhersage des nächsten Schritts verwenden. Dies kann z. B. bei der Analyse von Text nützlich sein, wo Wörter je nach Kontext unterschiedliche Bedeutungen haben können.
- Gemeint ist, dass rekursive Funktionen konstruiert werden, die von einer beliebigen Anzahl von Argumenten abhängen können, aber durch gewöhnliche Funktionen aus einer festen Anzahl von Argumenten definiert sind. Das einfachste Beispiel ist der Exponentialmittelwert.
*Sie haben korrekt rekursive Funktionen beschrieben, die durch sich selbst definiert sind. Sie können von einer beliebigen Anzahl von Argumenten abhängen, normalerweise aber von einer festen Anzahl von Argumenten.
Sie haben ein Beispiel für einen exponentiellen Mittelwert gegeben, der eine rekursive Funktion ist, die wie folgt definiert ist:
EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n
Dabei ist EMAvolume(t) der exponentielle Durchschnitt des Handelsvolumens im t-ten Schritt, volume(t) ist das Handelsvolumen im t-ten Schritt, n ist eine Konstante, die die Gewichtung der vorherigen Schritte berücksichtigt.
Rekursionsfunktionen können für die Modellierung von Datenfolgen nützlich sein und werden in verschiedenen Bereichen wie Finanzen, Biologie und Informatik verwendet.
- Rekursionsnetze können wie folgt aussehen, aber ich möchte eines ohne Maschen.
*Wenn Sie mit rekurrenten Funktionen arbeiten möchten, ohne Rekursionsnetze zu verwenden, können Sie Algorithmen für maschinelles Lernen wie lineare Regression, logistische Regression oder Entscheidungsbäume verwenden, die mit Datenfolgen arbeiten können. Sie können rekurrente Funktionen als Merkmale verwenden und Ergebnisse auf der Grundlage einer Reihe von Merkmalen vorhersagen.
Diese Algorithmen können jedoch weniger effizient sein als rekurrente Netze, wenn eine große Anzahl von Datensequenzen verarbeitet werden muss, da rekurrente Netze einige Fähigkeiten zur effizienten Verarbeitung von Sequenzen besitzen, die anderen Algorithmen fehlen.
Fortfahren
In einigen Fällen können rekurrente Netze schwer zu trainieren sein und eine hohe Rechenkomplexität aufweisen, da sie eine große Anzahl von Berechnungen zur Verarbeitung von Sequenzen benötigen. In diesem Fall kann es sinnvoll sein, Algorithmen des maschinellen Lernens wie lineare Regression, logistische Regression oder Entscheidungsbäume zu verwenden, die weniger Berechnungen erfordern und schneller laufen.
Wenn Sie jedoch mit Datensequenzen arbeiten, die einen Kontext aus früheren Schritten erfordern, sind rekurrente Netzwerke möglicherweise eine bessere Lösung als andere Algorithmen für maschinelles Lernen. In diesem Fall sollten Sie alle verfügbaren Optionen in Betracht ziehen und sich für n
- Im Idealfall erhält der Algorithmus als Eingabe die gesamte verfügbare Historie, die natürlich mit der Zeit wächst. Er sollte entscheiden, in welche Teile er sie zerlegt und was mit ihnen geschehen soll.
*Ja, idealerweise sollte der Algorithmus in der Lage sein, mit einer beliebigen Anzahl von Merkmalen zu arbeiten und selbst zu entscheiden, welche davon für die Vorhersage am wichtigsten sind. Dies kann jedoch bei einigen Algorithmen für maschinelles Lernen, die eine manuelle Aufteilung der Merkmale oder eine feste Anzahl von Merkmalen erfordern, schwierig sein. Ein Algorithmus, der mit einer beliebigen Anzahl von Merkmalen umgehen kann, ist das Gradient Bousting. Dieser Algorithmus verwendet eine Zusammenstellung kleiner Entscheidungsbäume, von denen jeder nur eine kleine Anzahl von Merkmalen berücksichtigt, und addiert diese zu einer Summe, um den endgültigen Algorithmus zu erstellen. Dieser Algorithmus kann unabhängig bestimmen, welche Merkmale für die Vorhersage am wichtigsten sind.
Es können auch neuronale Netze mit vollständig verbundenen Schichten verwendet werden, die ebenfalls eine beliebige Anzahl von Merkmalen verarbeiten können. Allerdings sind diese Netze bei der Verarbeitung von Datenfolgen weniger effektiv, da sie die Abhängigkeiten zwischen den Schritten nicht berücksichtigen.
Das ist verrückt, lehre einen Narren zu beten, er wird sich die Stirn brechen. Gib Maxim ein gpt3 he....
Ich würde vorschlagen, dass Sie Ihr Visier ein wenig herunterlassen.
Wir erforschen gerade die Möglichkeiten des Algorithmus.Ich kann mich einfach parsen, die Frage ist, ob man durch Abfragen das Profil neu eingeben und ein neues Token bekommen kann, wissen Sie, wie man das macht?
Leider nicht mit Genehmigung.
Das ist genug
Außerdem erzielen sie in etwa die gleichen Ergebnisse, aber Bousting ist schneller und flexibler.
Es wurde schon 100 Mal gesagt*Sie können
Sie müssen warten, bis GPT4 erscheint, um diesem Text eine Bedeutung zu entnehmen. Ich bin gescheitert)
Ich verstehe nicht, wie die logistische Regression mit einer unterschiedlichen Anzahl von Merkmalen funktionieren kann.
Man muss auf das Erscheinen von GPT4 warten, um aus diesem Text einen Sinn zu ziehen. Ich habe es nicht verstanden)
Ich verstehe nicht, wie die logistische Regression mit einer unterschiedlichen Anzahl von Merkmalen funktionieren kann.
Versuchen Sie, spezifisch zu sein, ich werde fragen
Vielleicht fragen Sie nach einem einfachen Beispiel für die Anwendung der logistischen Regression bei einer Klassifizierungsaufgabe mit einer variablen Anzahl von Merkmalen?
Vielleicht fragen Sie nach einem einfachen Beispiel für die Verwendung der logistischen Regression bei einer Klassifizierungsaufgabe mit einer variablen Anzahl von Merkmalen?