Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1798
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
Es ist besser, die Energie in die Entwicklung neuer Eigenschaften zu stecken... IMHO...
Wenn die Zeichen gut sind, dann können wir sogar versuchen, Extrema vorherzusagen, ich habe etwa 400 und 10 Modelle, aber ich sehe, dass ich zehnmal mehr brauche, Trainingsmuster können > 100 GB erreichen, wow )))) Ich habe nicht so viel Energie ...
Wenn es viele Prädiktoren gibt - Übertraining beginnt, besonders wenn es sich um einen Booster handelt - gibt es Blätter, die bei einer Stichprobe von nur 0,01 % aktiviert werden - das ist eindeutig Unsinn.
Es ist also wichtig, in zwei Richtungen zu arbeiten - nach Möglichkeiten zu suchen, die Modelle durch ihre Struktur und die Vor- und Nachbearbeitung der Daten zu verbessern, sowie neue Prädiktoren hinzuzufügen.
Mit den Daten, die ich Ihnen vorhin für Experimente geschickt habe, hat nichts funktioniert?
Ich habe diesen EA jetzt auf ein reales Konto gesetzt - und ich sehe, dass es andere Probleme gibt - zum Beispiel wird der Endschalter nicht vollständig gefüllt, dünner Markt - große Slippages...
Wenn es viele Prädiktoren gibt, beginnt das Überlernen,
Nein, es gibt eine Kreuzvalidierung und zusätzliche Stichproben zur Überprüfung...
Und Übertraining bedeutet, dass man Zeichen hat, die 5 % nützliche Informationen enthalten, und man will 70 % aus ihnen herausholen, und sie fehlen einfach... keine nützlichen Informationen...
Dafür braucht man eine Menge Schilder.
es gibt Blätter, die bei einer Probe von nur 0,01 % aktiviert werden - das ist natürlich Quatsch.
Wenn Sie zum Beispiel mit den Händen handeln, schauen Sie sich Charts an, verschiedene TFs, sehen einige Muster und treffen Entscheidungen, dann gehen Sie zu einer kleinen TF und suchen einen Einstiegspunkt, dann warten Sie auf den richtigen Moment und steigen ein... Was war das? Es ist eine Komprimierung von Informationen.
1) verschiedene TFs und Muster in ihnen - Kompression
2) flache TF, Einstiegspunkt - Kompression
3) Einstiegspunkt - Kompression
Infolgedessen werden es nicht einmal 0,01 % oder sogar 0,001 % im Verhältnis zur Stichprobe sein, aber Sie halten es nicht für Unsinn, oder?
Die Daten, die ich Ihnen vorhin für Experimente geschickt habe, haben nichts ergeben?
Welche Daten? Ich habe sie übersehen...
nicht beginnen, gibt es eine Kreuzvalidierung + zusätzliche Stichproben zur Überprüfung...
Es ist möglich, dies zu überprüfen, aber es hat keinen Einfluss auf das Lernen.
Und Übertraining, nur weil man Schilder hat, die 5 % nützliche Informationen enthalten, und man 70 % aus ihnen herausholen will, aber sie sind einfach nicht da... keine nützlichen Informationen...
Wenn jeder Prädiktor 5% nützliche Informationen enthält, ist das gut, oder wie viel erwarten Sie? Wie bestimmen Sie die Nützlichkeit im Allgemeinen - ich stütze mich auf die Abweichung vom Durchschnitt aller Ziele in der Stichprobe.
Wenn Sie von Hand handeln, schauen Sie sich die Charts an, zum Beispiel verschiedene TFs, Sie sehen einige Muster und treffen Entscheidungen, dann gehen Sie zu einer kleinen TF und suchen einen Einstiegspunkt, dann warten Sie auf den richtigen Moment und steigen ein... Was war das? Es ist eine Komprimierung von Informationen.
1) verschiedene TFs und deren Muster - Kompression
2) flache TF, Einstiegspunkt - Kompression
3) Einstiegspunkt - Kompression
In Bezug auf die Stichprobe werden es nicht einmal 0,01 % oder sogar 0,001 % sein, aber Sie halten es nicht für Unsinn, oder?
Nein, das wäre eine Zufälligkeit, eine Intuition, aber kein System.
Mit welchen Daten? Ich übersehe etwas...
Link.
Ja, sicher )))) Ich würde gerne sehen, wie sie "if, then, else" verwenden, um Bilder zu erkennen oder Sprache zu generieren, das wäre echt krass). Aber im Ernst: Sie reden Unsinn!
Finerider erkennt ohne ns.
Ich habe einmal ein Interview mit einem ihrer Mitarbeiter gelesen, der neuronale Netze als "Diskriminanzanalyse für die Armen" bezeichnete.
Ich habe einmal ein Interview mit einem ihrer Mitarbeiter gelesen, der neuronale Netze als "Diskriminanzanalyse für die Armen" bezeichnete.
Link.
Ahhhh, das habe ich nicht gesehen, ich dachte, du hättest nie etwas überarbeitet... Nein, das habe ich nicht.
Wahrscheinlich ein Missverständnis. Finerider erkennt ohne ns. Anhand der Gehirnaktivität von Mäusen wurde ermittelt, was die Maus eine halbe Sekunde vor der Aktion in den 90er Jahren tun würde. Als ns das Schachspiel gewann und dann mit MOs der Wettbewerb unbesiegbar wurde, wurden diese Ereignisse nicht auf diese Weise erfasst, obwohl sie bedeutender waren. Die Erkennung von Arbeitspässen wurde vor etwa 10 Jahren entdeckt. Die Erkennung war in Ordnung. Jetzt wird die Nachricht über die Passerkennung mit ns an Bahnschaltern installiert.... Es ist mehr Hype als Arbeit.
Es ist alles ein Missverständnis.... Es gibt eine Menge Hype, weil sie einen Hype brauchen, sie brauchen einen Hype, weil es keine menschlichen Ressourcen gibt, es ist notwendig, das Interesse der Menschen zu wecken, oder besser gesagt der nutzlosen Biomasse, die nicht einmal auf die Toilette gehen kann ohne ein Smartphone.
Wie können Sie die Erkennung von Reisepässen mit dem Autofahren vergleichen, mit der Erkennung von Objekten, mit der Erkennung von Videos auf YouTube oder mit der Erzeugung menschlicher Sprache? 30 Jahre sind vergangen, die Probleme sind tausendmal komplizierter geworden, und sie werden gelöst, und Sie reden von einem lahmen Reisepass aus den 90er Jahren, aber den gibt es immer noch.
Und die Aufgaben der 90er Jahre mit den heutigen Aufgaben zu vergleichen, ist auch dumm, wie kann man die Passerkennung mit dem Autofahren mit zufälliger Objekterkennung vergleichen? Oder mit der Erkennung von Videos auf YouTube? Oder mit der Erzeugung menschlicher Sprache? 30 Jahre sind vergangen, die Aufgaben sind tausendmal komplizierter geworden und sie sind gelöst, und du redest von einem armen Pass aus den 90er Jahren, aber es ist immer noch in den 90er Jahren.
Ich würde dem nicht zustimmen. Probleme müssen von Anfang an verstanden werden, und die Geschichte ihrer Entstehung und ihrer Lösungen hilft dabei. MO-Algorithmen wurden meist vor den 90er Jahren formuliert und implementiert, damals in 77 Fortran, dem gleichen Cat Boost. Heute sind die Werkzeuge, die Leistung und die Software einfach besser verfügbar. Die Erkennungsaufgaben folgen demselben Algorithmus, d.h. Bibliographie, Katalogisierung, Vergleich. Das Einzige, was sich ändert, ist die Anzahl und die Geschwindigkeit (auch die Katalogsuchmethoden, aber das ist nicht entscheidend). Galileo erfand den ersten Hash)))
Früher waren 10K groß, heute können 100Gb zu Hause implementiert werden. Wenn die heutigen Kapazitäten es erlauben würden, eine vollständige Suche und vollständige Suchläufe zur Optimierung durchzuführen, wäre GA nicht erforderlich)))))
Über Passport) https://open-dubna.ru/ekonomika/9057-razrabotka-rezidenta-oez-dubna-sokrashchaet-ocheredi-v-kassakh-rzhd
Früher kosteten die Lösungen (im Verkauf) rund 500 Dollar. Wie viel kostet AI? Ich glaube nicht, dass es billiger ist. Die Lösung ist mehr als 15 Jahre alt. Das Hauptproblem dabei ist übrigens, das Schutzgitter zu entfernen)))) Auf einem homogenen Hintergrund und auf einem Gitter sind unterschiedliche Aufgaben).
Ahhhh, das habe ich nicht gesehen, ich dachte, du hättest nie etwas überarbeitet... Nein, das habe ich nicht.
Werden Sie jetzt zuschauen?
Schauen Sie jetzt zu?
Ich habe...
Die Datei mit dem aktuellen Saldo enthält keine Preise. Die Preise, die Sie mir vorhin genannt haben, stimmen nicht mit der Größe des aktuellen Saldos überein.
UPD==============
Wenn ich darüber nachdenke, ist diese Idee ein Fehlschlag. Ich sollte nicht die Bilanzkurve analysieren und prognostizieren, sondern nach guten/schlechten Einstiegspunkten suchen.