Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2874
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
Las redes recurrentes pueden hacerlo, pero me gustaría hacerlo sin mallas.
¿Necesitas una memoria de los estados anteriores de la emisión, o qué?
¿necesita una memoria de estados anteriores o algo así?
Sí, habrá algo de memoria. Por ejemplo, en el caso más sencillo de una media exponencial, se recuerda su valor en el paso anterior. Necesitamos generalizar todo esto de forma razonable.
Sí, habrá algo de memoria. Por ejemplo, en el caso más sencillo de una media exponencial, se recuerda su valor en el paso anterior. Tenemos que generalizar todo esto de una manera razonable.
Simplemente dar a AMO los últimos n-valores como con el asistente, entiendo que no es adecuado, pero no entiendo por qué?
acaba de dar AMO los últimos n-valores como con mashka entiendo que no encaja, pero no entiendo por qué?
Idealmente, el algoritmo debería recibir como entrada toda la historia disponible, que obviamente crece con el tiempo. Debería decidir en qué trozos trocearla y qué hacer con ellos.
en abierto, pero hay que actualizar las fichas cada n veces.
Si el token está muerto, enviamos una petición al servidor, volvemos a entrar, obtenemos el token y seguimos trabajando.
Eso es lo más sencillo en lo que me he estancado.Si no es ajax, te puedo ayudar a sparsearlo.
Idealmente, el algoritmo debería recibir como entrada toda la historia disponible, que obviamente crece con el tiempo. Debería decidir en qué trozos trocearlo y qué hacer con ellos.
Alexey, no tienes ni idea de lo mucho que nos interesan las mismas cosas, esta es la segunda coincidencia de intereses....
No estoy seguro de la aplicación y la razón de la aplicación.
Tengo algoritmos,
hay uno simple, relativamente rápido pero superficial.
y los hay complejos y lentos, y no del todo acabados, pero profundos...
Estos algoritmos son terriblemente lento en comparación con AMO regular, miles de veces, tal vez más, pero ven los datos de manera diferente.
Si no es ajax, puedo ayudarte a solucionarlo.
Yo mismo puedo parsear simple, la pregunta es si se puede a través de solicitudes, vuelva a introducir el perfil y obtener un nuevo token, ¿sabes cómo hacerlo?
Respeto a Maxim.
Estoy interesado en el tema de los algoritmos con un número arbitrario de características. Conozco las redes recurrentes - me gustaría lo mismo, pero sin mallas.
- Me interesa el tema de los algoritmos con un número arbitrario de características. Conozco las redes recurrentes - me gustaría lo mismo, pero sin mallas.
*Puedes usar algoritmos de aprendizaje automático como regresión lineal, regresión logística o árbol de decisión, que pueden manejar un número arbitrario de características. Requieren menos computación que las redes recurrentes y suelen ser más rápidas.
Sin embargo, las redes recurrentes pueden ser eficaces cuando hay que tratar secuencias de datos como texto, mensajes de voz o datos de movimiento. Las redes recurrentes pueden recordar el contexto de pasos anteriores y utilizarlo para predecir el paso siguiente. Esto puede ser útil, por ejemplo, al analizar texto, donde las palabras pueden tener significados distintos según el contexto.
- Lo que se quiere decir es que se construyen funciones recursivas que pueden depender de un número arbitrario de argumentos, pero que están definidas por funciones ordinarias a partir de un número fijo de argumentos. El ejemplo más sencillo es la media exponencial.
*Has descrito correctamente funciones recursivas que se definen a través de sí mismas. Pueden depender de cualquier número de argumentos, pero normalmente de un número fijo de argumentos.
Has dado un ejemplo de media exponencial, que es una función recursiva definida como sigue
EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n
Donde EMAvolume(t) es la media exponencial del volumen de negociación en el paso t-ésimo, volume(t) es el volumen de negociación en el paso t-ésimo, n es una constante que tiene en cuenta los pesos de los pasos anteriores.
Las funciones de recurrencia pueden ser útiles para modelizar secuencias de datos y se utilizan en diversos campos, como las finanzas, la biología y la informática.
- Las redes de recurrencia pueden ser así, pero me gustaría una sin mallas.
*Si quieres trabajar con funciones recurrentes sin usar redes de recurrencia, puedes usar algoritmos de aprendizaje automático como la regresión lineal, la regresión logística o los árboles de decisión que pueden trabajar con secuencias de datos. Pueden utilizar funciones recurrentes como características y predecir resultados basados en un conjunto de características.
Sin embargo, estos algoritmos pueden ser menos eficientes que las redes recurrentes cuando se necesita manejar un gran número de secuencias de datos, ya que las redes recurrentes tienen algunas capacidades para manejar secuencias eficientemente de las que carecen otros algoritmos.
Proceder
En algunos casos, las redes recurrentes pueden ser difíciles de entrenar y tener una alta complejidad computacional, ya que requieren un gran número de cálculos para manejar secuencias. En este caso, puede ser adecuado utilizar algoritmos de aprendizaje automático como la regresión lineal, la regresión logística o los árboles de decisión, que requieren menos cálculos y se ejecutan más rápidamente.
Sin embargo, si trabaja con secuencias de datos que requieren el contexto de pasos anteriores, las redes recurrentes pueden ser una solución mejor que otros algoritmos de aprendizaje automático. En este caso, debe considerar todas las opciones disponibles y elegir n
- Idealmente, el algoritmo debería recibir como entrada toda la historia disponible, que obviamente crece con el tiempo. Debería decidir en qué trozos trocearlo y qué hacer con ellos.
*Sí, lo ideal sería que el algoritmo pudiera trabajar con un número arbitrario de características y determinar por sí mismo cuáles son las más importantes para la predicción. Sin embargo, esto puede resultar difícil para algunos algoritmos de aprendizaje automático que requieren una partición manual de las características o un número fijo de ellas. Un algoritmo que puede manejar un número arbitrario de características es el gradient bousting. Este algoritmo utiliza una composición de pequeños árboles de decisión, cada uno considerando sólo un pequeño número de características, y los acumula en una suma para producir el algoritmo final. Este algoritmo puede determinar de forma independiente qué características son las más importantes para predecir.
También pueden utilizarse redes neuronales con capas totalmente conectadas, que también pueden manejar un número arbitrario de características. Sin embargo, estas redes pueden ser menos eficaces cuando se trata de secuencias de datos, ya que no tienen en cuenta las dependencias entre los pasos.