Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1912
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
En otras palabras, el algoritmo asignará un peso excesivamente alto a estos dos vectores cercanos....
Pero, ¿por qué no es razonable? si algo se repite a menudo, digamos 100 veces, y da algún resultado estadísticamente significativo, entonces es adecuado darle más peso que a un ejemplo con una sola observación y un resultado poco claro.
1) has visto nubes 100 veces y ha llovido el 70% de las veces.
2) te pica la rodilla una vez y llueve.
¿por qué crees que hay que dar el mismo peso a estos dos patrones? todo el mundo piensa de forma diferente, también la neurona :)
Pero, ¿por qué no está justificado? Si algo se repite con frecuencia, digamos 100 veces, y da un resultado estadísticamente significativo, es adecuado darle más peso que a un ejemplo con una sola observación y un resultado poco claro.
1) has visto nubes 100 veces y ha llovido el 70% de las veces.
2) te pica la rodilla una vez y llueve.
¿por qué crees que estos dos patrones deben tener el mismo peso? todo el mundo piensa lo contrario, y también la neurona :)
¿y estas estadísticas no te enseñan nada?
Ganas dinero 100 veces y ganas XZix veces.
;)
Pero, ¿por qué no está justificado? Si algo se repite a menudo, digamos 100 veces, y da un resultado estadísticamente significativo, es adecuado darle más peso que a un ejemplo con una sola observación y un resultado poco claro.
1) has visto nubes 100 veces y ha llovido el 70% de las veces.
2) te pica la rodilla una vez y llueve.
¿por qué crees que hay que dar el mismo peso a estos dos patrones? todo el mundo piensa lo contrario, también la neurona :)
Colegas, perdónenme generosamente, pero me he perdido en mi declaración. Aunque tengo un conjunto de entrenamiento que consta de menos filas que columnas. Sin embargo, la formación propiamente dicha se realiza sobre una muestra de 11 columnas. De todos modos, no lo hice a propósito. No sabía lo que estaba haciendo :-(
(Perdóname) si fuiste reflexivo, lo entendiste...
Pero todavía no he oído la respuesta a mi sencilla pregunta: ¿por qué son mejores los valores únicos que los estadísticamente significativos?
Además si quieres hacer todas las filas únicas te he dado una idea de cómo hacerlo, ¿por qué no lo haces?
===============================================
Un video genial - cómo y de qué manera se resolvieron los problemas reales en MO , hay un problema con BP también, muy interesante
perdóname) los que han mirado con detenimiento han entendido...
Pero todavía no he oído la respuesta a mi sencilla pregunta: ¿por qué son mejores los valores únicos que los estadísticamente significativos?
Además si quieres hacer todas las filas únicas te he dado una idea de cómo hacerlo, ¿por qué no lo haces?
===============================================
Un video genial - cómo y de qué manera se resolvieron los problemas reales en MO , hay un problema con BP también, muy interesante
Sí, gracias por el código, lo he guardado pero aún no lo he estudiado... Creo que lo miraré en la semana...
Porque los vectores estadísticamente significativos pueden utilizarse de frente, sin NS. En el aprendizaje de NS será mejor aprender aquellos vectores que estén agrupados en la misma zona. Si en el futuro aparecen los mismos vectores, no pasa nada, pero si aparece un vector en el futuro más cercano, pero es de otra clase, la red cometerá un error del 100%, porque no ha detectado que ese grupo pertenece a una determinada clase. IMHO
Los mismos vectores, entonces está bien, pero si un vector aparece en la vecindad, pero es de una clase diferente, entonces la red hará un error del 100%, porque ha notificado que este grupo pertenece a una clase específica. IMHO
Ahhhhhh, bueno, ya entendí tu punto...
Mira, siento haberte gritado, a veces no estoy bien.
La cuestión es cómo una red neuronal predice el deseo del banco de comprar o vender un determinado volumen de divisas (por ejemplo). Cualquier red neuronal sólo puede captar la inercia en la dirección cuando se venden volúmenes especulativos y el precio se mueve activamente. Pero una red neuronal nunca mostrará el momento exacto de entrada del participante que cambiará el precio (price driver), aunque no es necesario - en el 99% si usted sabe identificar el price driver y su dirección sus transacciones serán siempre antes de la implementación y tendrá un beneficio estable. Mi empresa también tiene un departamento de trading algorítmico, pero está más enfocado al scalping muy rápido - la red neuronal también capta la inercia de los algoritmos hft y en base a su análisis nuestros robots realizan operaciones copiando totalmente el hft (sólo para determinados mercados y símbolos). La operativa básica se hace a mano a la antigua usanza porque no se puede predecir el conductor del precio (ni falta que hace), sólo se puede ver = el coche te mostrará el indicador antes de cambiar de dirección (entiendes que la red neuronal no puede predecir cuándo se encenderá el indicador de tal o cual coche).
decidió ver cómo serían los datos típicos para el entrenamiento 3d de NS ))
datos es de 31 indicadores, el objetivo es un zigzag
disminuí la dimensionalidad a tres dimensiones con tres algoritmos - pca, t-sne , umap (los dos últimos se consideran los más avanzados)
¿qué es? -https://en.wikipedia.org/wiki/Dimensionality_reduction
how it can help -https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%BE%D0%BA%D0%BB%D1%8F%D1%82%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8
Así que los datos 31 indicador objetivo zigzag , primero tenemos PCA
siguiente t-sne
umap
como vemos no podemos dividirlo por clases, así que o el objetivo es la basura o las características, o todas juntas))
Una superficie con buena separabilidad debería tener este aspecto, pero aquí hay tres clases, pero creo que se entiende la idea
una pregunta: ¿cómo predice una red neuronal el deseo del banco de comprar o vender un determinado volumen de divisas (por ejemplo)?
las grandes compras no se hacen en un segundo, se necesita tiempo, durante este tiempo el precio mostrará un patrón para estas compras, este patrón se puede tratar de encontrar con la ayuda de algoritmos de aprendizaje automático