Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1743
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
Es algo complicado, no se puede saber exactamente cómo enfocarlo... es todo muy vago.
No sé si es demasiado hacer por las señales o qué.
¿Qué pasa?
Lo encontré aquí .
He comprobado la fuente, pero en ningún sitio he visto una conclusión inequívoca sobre el mal funcionamiento de este método....
¿Qué pasa?
Véase el interesante paquete TSrepr (Time Series Representations ) en R.
"Los métodos de representación de series temporales pueden dividirse en cuatro grupos (tipos) (Ratanamahatana et al. (2005)):
En las representaciones no adaptables a los datos, los parámetros de transformación siguen siendo los mismos para todas las series temporales, independientemente de su naturaleza. En las representaciones adaptativas de datos, los parámetros de transformación varían en función de los datos disponibles. Una aproximación a la representación basada en el modelo se basa en la suposición de que la serie temporal observada fue creada a partir de un modelo básico. El objetivo es encontrar los parámetros de dicho modelo como representación. Dos series temporales se consideran entonces similares si fueron creadas por el mismo conjunto de parámetros de un modelo básico. En los enfoques dictados por los datos, la relación de compresión se define automáticamente basándose en las series temporales en bruto, como las recortadas (Aghabozorgi, Seyed Shirkhorshidi y Ying Wah (2015)).
Los métodos más famosos (conocidos) para representaciones de tipo no adaptativo son la PAA (Piecewise Aggregate Approximation), la DWT (Discrete Wavelet Transform), la DFT (Discrete Fourier Transform), la DCT (Discrete Cosine Transform) o la PIP (Perceptually Important Points). Para las representaciones de tipo adaptativo de datos, se trata de SAX (Symbolic Aggregate approXimation), PLA (Piecewise Linear Approximation) y SVD (Singular Value Decomposition). En el caso de las representaciones basadas en modelos, se trata de ARMA, perfiles medios o coeficientes de regresión estimados a partir de un modelo estadístico (por ejemplo, un modelo lineal). Los datos dictados son el tipo de representación menos conocido y el método más famoso de este tipo es el recorte (representación a nivel de bits) (Bagnall et al. (2006)).
En el paquete TSrepr se implementan estos métodos de representación de series temporales (los nombres de las funciones están entre paréntesis):
Adaptación de los no datos:
Adaptación de datos:
Basado en un modelo:
Datos dictados:
Da transformaciones muy interesantes, incluyendo la agrupación.
Buena suerte
Mira el muy interesante paquete TSrepr(Time Series Representations) en R.
Recuerda que cuando te pedí que hicieras un script para mt4, había neuronas entrenadas del paquete nnfor, y el objetivo era PIP- Perceptually Important Points (repr_pip) de TSrepr :)
¡Vladimir! Tengo algunas preguntas, si puedo...
1) Dígame cuál es el error máximo que ha conseguido en la clasificación de la dirección en zigzag en el EURUSD. ¿Y usaste el filtro de ruido mientras lo hacías?
2) ¿La "discretización" de los predictores, que usted describe en sus artículos, empeora la calidad del aprendizaje
3) Quiero tratar de hacer una especie de meta-aprendizaje, en el nivel más bajo, la esencia de la idea es la siguiente :
n1. entrenar a un pronosticador con los datos
n2. sacamos todas las reglas que Forest ha generado y las presentamos como nuevos predictores; cada regla es un predictor, por lo que tenemos entre 500 y 1000 reglas. Los predictores parecen "escasos", pero ¿qué se puede hacer?
P.3 Entrenar un nuevo modelo sobre las reglas de predicción...
La idea es
1) aumentar el número de predictores
2) obtener reglas más complejas y profundas, es decir, más complejas jerárquicamente
3) El bosque muestra la predicción como la suma de todas las reglas (árboles), creo que si no consideramos la suma de las reglas, sino las reglas por separado, podemos separar mejor las etiquetas de las clases, tal vez encontrar algunas combinaciones únicas de reglas, etc.
La pregunta es: ¿lo que acabo de escribir no es el habitual refuerzo del gradiente?
4) Además, ¿dónde puedo conseguir esos indicadores espectrales que estoy usando satl, fatl, etc. ?
Lo encontré aquí .
He leído el hilo y he llegado a la misma conclusión. Y la predicción de cssa está hecha de forma inteligente, prediciendo gradualmente un paso adelante, ¿es realmente tan efectiva?
¿Alguna comparación de velocidad entre bpf y ssa? Si no, toma ondículas complejas y son las mismas cifras de Lessage. Sólo que no está claro cómo ponerlos en el optimizador, es más adecuado para el ajuste visual.
cssa se traduce como SSA causal. Este método está en el libro de 2013.
Oleg y Miklouha fueron prohibidos).
Oleg fue desbaneado pero Miklokh fue desbaneado por alguna razón ............