Discusión sobre el artículo "Neuroredes profundas (Parte VIII). Aumentando la calidad de la clasificación de los conjuntos bagging"

 

Artículo publicado Neuroredes profundas (Parte VIII). Aumentando la calidad de la clasificación de los conjuntos bagging:

En el artículo se analizan tres métodos con cuya ayuda podemos aumentar la calidad de clasificación de los conjuntos bagging y valorar su efectividad. Se ha evaluado cómo influye la optimización de los hiperparámetros de las redes neuronales ELM y los parámetros de post-procesado en la calidad de clasificación del conjunto.

En la figura de abajo se muestra el esquema simplificado de los cálculos al completo: se indican las etapas, los scripts usados y las estructuras de datos.


Fig. 11. Estructura y orden de los cálculos principales en el artículo.

Autor: Vladimir Perervenko

 

Gracias al autor por el interesante trabajo.

Sólo hay un problema que no tiene nada que ver con el autor, sino que es un problema del análisis en general:

el concepto de "ruido" y "no ruido" en la dinámica de precios de los instrumentos financieros es algo muy subjetivo, como en los métodos disponibles en la industria del análisis,

no existe una definición unívoca de los conceptos de "ruido" y "tendencia" (por ejemplo, en la teoría del equilibrio de impulsos, esta cuestión se ha trabajado a un nuevo nivel).

Este artículo muestra algunas soluciones privadas en el marco de los enfoques analíticos tradicionales, pero "con un giro": conjuntos de ruido, cálculo de umbrales. Por tanto, ¡buen trabajo!

 
Aleksandr Masterskikh:

Gracias al autor por su interesante trabajo.

Sólo hay un problema que no tiene nada que ver con el autor, sino que es un problema de análisis en general:

el concepto de "ruido" y "no ruido" en la dinámica de precios de los instrumentos financieros es algo muy subjetivo, como en los métodos disponibles en la industria de análisis,

no existe una definición unívoca de los conceptos de "ruido" y "tendencia" (por ejemplo, en la teoría del equilibrio impulsivo, esta cuestión se ha trabajado a un nuevo nivel).

Este artículo muestra algunas soluciones particulares en el marco de los enfoques analíticos tradicionales, pero "con un giro": conjuntos de ruido, cálculo de umbrales. Por lo tanto, ¡buen trabajo!

Estoy de acuerdo, los jergonismos suelen inducir a error. Específicamente puse el término "ruido" ejemplos entre comillas y dar una definición simplificada de lo que se entiende por ella. Lo importante es que este enfoque puede dar resultados positivos.

Suerte

 
Material muy interesante. Sólo que no está claro cuánto dinero hace todo esto y si hace dinero en absoluto?
 
Evgeniy Zhdan:
Material muy interesante. Sólo que no está claro cuánto dinero genera todo esto y si genera dinero en absoluto.

Compruébelo en la práctica. Todo lo que necesita para un experto en el artículo / yah está ahí.

Suerte

 
Evgeniy Zhdan:
Material muy interesante. Sólo que no está claro cuánto dinero hace todo esto y si hace dinero en absoluto?
Se hace dinero, pero hay que ser un poco programador, no es que todo va a funcionar la primera vez como debería ), y las pruebas en una cuenta de centavos antes de invertir grandes sumas de dinero
 

Vladimir, ¡muchas gracias por tus maravillosos artículos!

Gracias a ellos he empezado a aprender R. Por supuesto, para un "no-programador" este artículo no es el lugar adecuado para empezar a programar y el comercio, pero ya estoy involucrado)))

Entiendo que tengo que introducir nuevos datos desde el terminal en el bloque "#---test-aver--------". He pensado en la función GetThreshold. Echa un vistazo a las respuestas correctas durante las pruebas para determinar el umbral óptimo de separación de las predicciones continuas del conjunto.

¿Crees que es necesario utilizar los umbrales obtenidos durante el entrenamiento o recalcularlos teniendo en cuenta las "predicciones de combate" menos la última (aún no hay una respuesta correcta para ella).

Mientras le daba vueltas a estos problemas, me encontré con la siguiente peculiaridad: si se rediseña el ciclo, se pueden obtener predicciones varias veces más rápidas. Creo que será útil a la hora de probar el EA.

Antes de

Después.

 
Incredible research, very interesting, thank you very much for sharing the progress in this field.
 

Вопросы по коду и обсуждение можно вести  в ветке 

Удачи

 

Обсуждение и вопросы по коду можно сделать в ветке

Удачи

 

Discusión y preguntas sobre el código se puede hacer en el hilo

Suerte