Diskussion zum Artikel "Metamodelle für maschinelles Lernen und Handel: Ursprünglicher Zeitpunkt der Handelsaufträge"
Ich habe mir den Code nicht angeschaut, nur von der Beschreibung her: es sieht so aus, als ob das Metamodell schon in der 2. Iteration auf zukünftige Daten trainiert wird. Ich denke, wir sollten nur auf vergangenen Daten trainieren.
Das Metamodell wird auf denselben Daten trainiert wie das Basismodell + ein Stück Historie zurück in die Vergangenheit. Sie können es auf die Zukunft umstellen. Es macht keinen Unterschied, es braucht nur einen Teil der Daten, den das Basismodell noch nicht gesehen hat.
Ich spreche von der Phrase
Сначала необходимо обнулить книгу плохих сделок, если в ней что-то осталось после предыдущего обучения. Затем в цикле задается необходимое количество итераций.
Dieses Buch wird Informationen über die Zukunft sammeln. Es ist ja nicht so, dass es vor jedem Training zurückgesetzt wird.
Ich spreche von der Phrase
Dieses Buch wird Informationen über die Zukunft sammeln. Es ist ja nicht so, dass es vor jedem Training zurückgesetzt wird.
Welche Zukunft? Es gibt Beispiele für das Metamodell.
Je mehr Iterationen das Basismodell falsch liegt, desto stärker werden die Beispiele und fallen in den Bereich "nicht handeln".
Diese Beispiele sind die Fehler des Basismodells, wo es am häufigsten falsch liegt. Sie sollten amputiert werden, damit sie die Steigung nicht auf sich ziehen.
ähnlich wie bei der 3. Klasse "nicht handeln", nur dass sie ganz aus dem Klassifikator herausgenommen werden, was dessen Genauigkeit erhöht
Einer Maschine kann man vertrauen, dass sie den in sie eingegebenen Algorithmus korrekt ausführt. Dem Menschen, der diesen Algorithmus eingegeben hat, kann man nicht trauen.
Es liegt in der Natur des Menschen, sich zu irren, absichtlich in die Irre zu gehen oder andere absichtlich in die Irre zu führen. Alle Arbeiten zum maschinellen Lernen in Ermangelung einer normalen Markttheorie sind wie die Suche nach einer Uhr unter einer Laterne (aus einer Anekdote). Algorithmen und Grundlagen sollten in der Quantenmechanik gesucht werden. Wenn es gewünscht wird, kann ich das erklären.
Es liegt im Wesen des Menschen, Fehler zu machen, andere absichtlich in die Irre zu führen. Wenn Sie wollen, kann ich das erklären.
Seit der Zeit von Pythagoras wird zwischen allgemeinem und geheimem Wissen unterschieden. Das Thema ist sehr umfangreich, es berührt die Philosophie, die Politik und die Wirtschaft. Um diese Aussage in Bezug auf die Börse zu konkretisieren, richten wir unsere Aufmerksamkeit auf James Simons. Der Mann verdoppelte sein Kapital jeden Monat, indem er sein Wissen über die Mathematik der mehrdimensionalen Räume nutzte. Das bedeutet, dass es eine reale Möglichkeit gibt, das Verhalten dieses sehr mehrdimensionalen Raums, d.h. des Börsenbereichs, zu berechnen. Eine Reihe von Autoren, z.B. N. Rudyk, "Behavioural Finance", Lars Tweed, "Psychology of Finance", J. Soros,"Alchemy of Finance", weisen darauf hin, dass der Markt vor allem Psychologie ist. Die Psychologie der Massen wird nicht durch die Gauß-Verteilung beschrieben, sondern durch die Tsipf-Pareto-Verteilung. Die Wahrscheinlichkeitstheorie ist auf die Psychologie nicht anwendbar, weil die fundamentalen Grundlagen dieser Theorie fehlerhaft sind. Frage: Was ist auf die Psychologie der Massen anwendbar? I. Danilevsky hat ein gutes Buch geschrieben: "Strukturen des kollektiven Unbewussten. Quantenhafte soziale Realität". Seine Bedeutung: Das kollektive Unbewusste ist ein Quantenfeld, das mit dem mathematischen Apparat der Quantenmechanik untersucht werden kann und sollte.
Geheimes Wissen ist geheim, weil es nicht allgemein zugänglich ist. Dennoch ist es möglich, die ausgetretenen Pfade zu verlassen und sich seinen eigenen Weg zu suchen, wenn man den Wunsch danach hat.
Geheimes Wissen ist geheim, weil es nicht allgemein zugänglich ist. Dennoch kann man, wenn man will, die ausgetretenen Pfade verlassen und seinen eigenen Weg finden.
Die Erklärung muss aus überprüfbaren Fakten bestehen, nicht aus einem Appell an obskures Wissen und Schlagworte
Der theoretische Apparat der Quantenmechanik wurde im frühen zwanzigsten Jahrhundert entwickelt, die praktische Anwendung begann 50 Jahre später - Masern, Laser usw. Wenn Sie keine klugen Bücher lesen wollen, heißt das nicht, dass es keine solchen Bücher und keine Menschen gibt, die sie geschrieben haben. Für Sie scheint es, dass "der leere Topf viel mehr geschätzt wird". Gießen Sie weiter von leer zu leer.
Der theoretische Apparat der Quantenmechanik wurde Anfang des zwanzigsten Jahrhunderts entwickelt, die praktische Anwendung begann 50 Jahre später - Masern, Laser usw. Wenn Sie keine klugen Bücher lesen wollen, heißt das nicht, dass es keine solchen Bücher und Menschen gibt, die sie geschrieben haben. Für Sie scheint es, dass "der leere Topf viel mehr geschätzt wird". Gießen Sie weiter von leer zu leer.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Metamodelle für maschinelles Lernen und Handel: Ursprünglicher Zeitpunkt der Handelsaufträge :
Metamodelle im maschinellen Lernen: Automatische Erstellung von Handelssystemen mit wenig oder gar keinem menschlichen Eingriff — Das Modell entscheidet selbständig, wann und wie es handelt.
Zunächst muss ich eine kleine Bemerkung machen. Da ein Forscher bei der Entwicklung von Handelssystemen (einschließlich derjenigen, die maschinelles Lernen anwenden) mit Ungewissheit zu tun hat, ist es unmöglich, den Gegenstand der Suche streng zu formalisieren. Sie können als mehr oder weniger stabile Abhängigkeiten in einem mehrdimensionalen Raum definiert werden, die in menschlichen und sogar mathematischen Sprachen schwer zu interpretieren sind. Es ist schwierig, eine detaillierte Analyse dessen durchzuführen, was wir von hoch parametrisierten Selbstlernsystemen erhalten. Solche Algorithmen setzen ein gewisses Vertrauen des Händlers in die Ergebnisse von Backtests voraus, klären aber nicht das eigentliche Wesen und sogar die Art des gefundenen Musters.
Ich möchte einen Algorithmus schreiben, der in der Lage ist, seine eigenen Fehler zu analysieren und zu korrigieren und so seine Ergebnisse iterativ zu verbessern. Dazu schlage ich vor, eine Gruppe von zwei Klassifikatoren zu nehmen und sie nacheinander zu trainieren, wie im folgenden Diagramm vorgeschlagen. Eine ausführliche Beschreibung der Idee finden Sie weiter unten.
Jeder der Klassifikatoren wird auf einem eigenen Datensatz trainiert, der eine eigene Größe hat. Die blaue horizontale Linie stellt die bedingte historische Tiefe für das Metamodell dar, und die orangefarbenen Linien stehen für das Basismodell. Mit anderen Worten: Die Tiefe der Geschichte für ein Metamodell ist immer größer als für das Basismodell und entspricht dem geschätzten (Test-)Zeitintervall, in dem die Kombination dieser Modelle getestet wird.
Autor: Maxim Dmitrievsky