Discusión sobre el artículo "Neuroredes profundas (Parte I). Preparación de datos"
Se ha publicado el artículo Redes neuronales profundas (Parte I). Preparación de datos:
Autor: Vladimir Perervenko
Vladimir. Como siempre, gracias por la calidad del artículo. Definitivamente voy a trabajar a través de él.
Filtros digitales + diplerning es una combinación interesante, pero los propios filtros digitales deben ser seleccionados por el generador en la máquina en el curso de formación, de lo contrario no tiene sentido, IMHO
Vladimir. Como siempre, gracias por un artículo de calidad. Lo estudiaré sin falta.
La segunda parte (desarrollo y selección de predictores) saldrá la semana que viene. Necesitaré los resultados de la primera parte.
Mucha suerte.
La Parte 2 (desarrollo y selección de predictores) saldrá la semana que viene. En ella necesitará los resultados de la parte 1.
Suerte
Vladimir.
En cuanto a la última serie de artículos. Corrí robots en un servidor alquilado en Amazon. De 40 modelos 5 estaban en plus.
Este es un buen resultado para mí. Los datos de las cotizaciones, que son emitidos por el broker, difieren de los datos de archivo. Por lo tanto, los modelos no funcionaron en los datos que aprendieron.
Estas cosas son bastante transferibles a mercados más comprensibles. Si logramos mostrar un resultado positivo en forex con su volatilidad y divorcios.
artículo muy interesante
Siempre me he preguntado por qué siempre eligen lenguajes de programación exóticos para las redes neuronales (más a menudo php, aquí R).
¿Qué tiene de malo C#, que es utilizado por 3/4 partes del mundo?
artículo muy interesante
Siempre me he preguntado por qué siempre eligen lenguajes de programación exóticos para las redes neuronales (más a menudo php, aquí R).
¿Qué tiene de malo C#, que es utilizado por 3/4 partes del mundo?
El lenguaje R no es exótico en absoluto. Es de facto y de iure un lenguaje estándar para cálculos estadísticos. C# y R son diferentes niveles de abstracción, el primero es el nivel de implementación, el segundo es el nivel de modelos.
Si buscas en Google, te sorprenderá el lugar que ocupa R en el ranking de lenguajes. Y en cuanto a 3/ 4 - estás exagerando. Todo depende de las tareas a resolver.
Suerte
artículo muy interesante
Siempre me he preguntado por qué siempre eligen lenguajes de programación exóticos para las redes neuronales (más a menudo php, aquí R).
¿Qué tiene de malo C#, que es utilizado por 3/4 partes del mundo?
Es puramente como un marco para statanalysis y así sucesivamente. Todas las libs básicas están escritas en C ++ con redes neuronales, usted puede encontrar fácilmente el sitio de una lib particular y conectarlo como una DLL a MT5, por ejemplo.
y hacer toda la investigación necesaria en R primero
Es puramente como un marco para statanalysis y así sucesivamente. Todas las librerías básicas están escritas en C++ con redes neuronales, puedes encontrar fácilmente el sitio de una libería en particular y conectarla como una dll a MT5, por ejemplo.
y hacer toda la investigación necesaria en R primero.
No entiendo la parte resaltada. ¿Algún ejemplo?
Bueno http://mxnet.io/ es lo mismo, se puede construir como una dll, y algunos paquetes vienen con dlls ya hechas.
o que ejemplo de como usar librerias de terceros en MT5?
p.d. hay una ya hecha, no necesitas construir nada http://mxnet.io/get_started/windows_setup.html.
Bueno http://mxnet.io/ es lo mismo, se puede construir como una dll, y algunos paquetes vienen con dlls listos.
o ¿cuál es un ejemplo de cómo utilizar las bibliotecas de terceros en MT5?
Si, hay algunos modelos que requieren la creación de una dll, pero son muy pocos y sus dlls no necesitan estar conectadas a MT. La DLL simplemente se instala en su sistema. Esto último no suele ser fácil.
Suerte
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Neuroredes profundas (Parte I). Preparación de datos:
Esta serie de artículos continúa y desarrolla el tema de las neuroredes profundas (DNN), que ha sido incluidas en los últimos tiempos en muchas áreas aplicadas, incluyendo el trading. Se analizan las corrientes de dicho tema, comprobándose con experimentos prácticos los nuevos métodos e ideas. El primer artículo de la serie está dedicado a la preparación de los datos para las DNN.
Con mayor frecuencia, los valores atípicos se detectan con ayuda de la visualización. Un ejemplo muy sencillo y ampliamente utilizado es el diagrama de caja o boxplot. Por ejemplo, vamos a mirar el predictor ftlm:
evalq(ggplot(dataSetClean, aes(x = factor(0), y = ftlm, color = 'red')) + geom_boxplot() + xlab("") + scale_x_discrete(breaks = NULL) + coord_flip(), env)Fig.9. Boxplot ftlm
Autor: Vladimir Perervenko