Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1702
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Si estuviéramos hablando de regresión, sería más claro - probablemente es una buena manera de verlo.
Estoy de acuerdo. La NS es más bien un componente de la IA, como un tornillo o una tuerca en un coche.
Otro de sus errores de principiante. NS es muy exigente con la muestra de entrenamiento y es una herramienta bastante sutil, en la que un pequeño error en la preparación de los datos (una coma equivocada) conduce a un resultado diametral. Intenta sacar menos conclusiones propias y escucha mejor lo que te dicen.
Muy bien, la NS es un componente de la IA. Además de la red neuronal hay una serie de algoritmos que sirven a esta red neuronal, y todo junto es un sistema de IA. Exactamente un sistema. Pero un sistema de IA no puede existir sin una red neuronal.
Por el momento no identifico la IA y la NS. Tú mismo has dicho que no hay que confundir las dos cosas. La NS es una herramienta que puede utilizarse en la IA, pero por sí sola no se acerca a ella. Parece que estás de acuerdo con eso.
¿La IA tiene que interactuar con los humanos?
Así que esa es la conclusión a la que hemos llegado.
¿Qué tiene de malo? Catbust pasa por encima de la mayoría de sus competidores.
A mí, por ejemplo, no me gustaba la idea de un árbol simétrico en él. Obviamente no es la mejor solución dividir 2 nodos diferentes por un predictor y por el mismo nivel. A menos que se acelere hasta 10 veces.
Menos mal que han añadido 2 nuevos métodos más clásicos.
Probablemente lo obvie, pero ahí, en las competiciones, el muestreo es estacionario, no hay rasgos especialmente basura, es decir, las condiciones no son las que trabajamos, y sólo estoy pensando en la mejor manera de preparar los datos teniendo en cuenta estas características. (La solución aún no es definitiva, pero es una tarea importante).
Los diferentes modelos de árboles son buenos, pero por el momento no se pueden cargar en un archivo separado, y por lo tanto no se pueden incrustar en el EA, lo cual es malo.
No me gusta la ausencia de postprocesamiento en el boosting, cuando al final del entrenamiento se simplifica el modelo desechando los árboles débiles. No veo por qué no se hace esto.
Las hojas de los árboles individuales en el boosting son débiles - baja completitud - menos del 1% y es malo que este parámetro no puede ser ajustado, mientras que la distribución de la señal de contabilidad por muestra no se lleva a cabo en absoluto - como resultado aprendemos por descarte. Muchos matices y aquí la solución puede ser un buen preprocesamiento de los predictores. Y, por supuesto, es mejor enchufar y modificar el código: ¿es que nadie entiende el C++ al nivel adecuado?
Creo que tiene que hacerlo. Si no, ¿qué sentido tiene?
Cuando piensas (tu intelecto resuelve un problema)¿tienes que comunicarte con alguien en ese momento?
Sigues sin poder sacar tu definición "gusanera" de inteligencia, así que ahora nos comunicamos en diferentes idiomas
Te diré más, he tenido esos casos en los que sólo he tenido que pulsar el botón de optimización y luego me he dado cuenta de que ese paso de hace 20 operaciones lo hice mal y en realidad tenía un error en mis datos y tuve que preparar todo de nuevo porque tenía claro que no debía haber ningún error. Una coma en el lugar equivocado y todo fue para nada. Eso significa horas de máquina, tiempo y, sobre todo, resultados.