Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3230

Nuevo comentario
 
Renat Fatkhullin #:

El objetivo no es dar dinero fácil a otro revendedor.

Esa es la cuestión, tus ideas sobre los revendedores siguen ahí, hace N años. Entonces, efectivamente, las ineficiencias eran salvajes. Las cosas han cambiado algo desde entonces. Como quieras.
 
Renat Fatkhullin #:


Por favor, no ignore la pregunta de fondo. ¿Cuáles serán los predictores del modelo? ¿O sólo hay que hacer el modelo sobre OHLCV?
[Eliminado]  
fxsaber #:
Esa es la cuestión, tus ideas sobre los revendedores siguen ahí, hace N años. Entonces, efectivamente, las ineficiencias eran salvajes. Las cosas han cambiado algo desde entonces. Lo que sea.

De todas formas tienes que hacerlo a través de ONNX, no lo tienes así

Al mismo tiempo se podrán ver los resultados de MOShnikovs reales (los que usan redes neuronales), no habituales de este tema. Lo cual es muy importante desde el punto de vista educativo. Yo, por ejemplo, carezco de modelos a seguir y de comunicación con profesionales.
 
fxsaber #:
Esa es la cuestión, tus ideas sobre los revendedores siguen ahí, hace N años. Entonces, efectivamente, las ineficiencias eran salvajes. Las cosas han cambiado algo desde entonces. Lo que sea.

Creo que podría ser un anuncio contra MO si ganan los métodos simples (o no simples, pero sin MO). aunque creo mucho en la perspectiva de MO.

ZY*. si, por ejemplo, participan sistemas adaptativos con autooptimización pero sin redes neuronales en estado puro, ¿no es interesante? - en este contexto, ¿no es MO una selección de parámetros (pesos, coeficientes) de un modelo? sería tanto más interesante ver "en vivo" sistemas entrenados sobre la marcha, no sólo entrenados sobre la historia (algunos de ellos tendrán la suerte de ganar premios, por supuesto, siendo formalmente "modelos serios de machine learning").

ZZY**. "la noche deja de ser oscura" - muy interesante lo que saldrá de esto, después de todo a ti te importa, fxsaber, ¿no? - y yo también )))))

* y ** - pensamientos en voz alta.

 
Aleksey Vyazmikin #:
Por favor, no ignore la pregunta de fondo. ¿Cuáles serán los predictores del modelo? ¿O sólo se hará el modelo sobre OHLCV?

Esencialmente todo será tan pronto como resolvamos las condiciones del concurso - es una labor ingente.

 
Renat Fatkhullin #:

¿Puedes decirme si el puerto R está hecho?

Quiero decir, no tenemos que esperar.

 
mytarmailS #:

¿Puede decirme si el puerto R está hecho?

Quiero decir, no tenemos que esperar.

Todavía no.
 
mytarmailS #:

¿Puede decirme si el puerto R está hecho?

Quiero decir, no tenemos que esperar.

¿Por qué lo necesitas? Cuando experimentaba con R, usaba el dll-ku pedido por SanSanych. Funciona bien y tiene más posibilidades, ya que transmite cualquier dato en ambos sentidos, no sólo las comillas (como era en el primer port de R). Además, incluso he conseguido ejecutar optimización multihilo a través de ella.
 
Forester #:
¿Por qué lo necesitas? Cuando estaba experimentando con R, utilicé el dll-ku pedido por SanSanych. Funciona bien y tiene más posibilidades, porque transfiere cualquier dato en ambos sentidos, no sólo las comillas (como era en el primer port de R). Además incluso he conseguido ejecutar optimización multihilo a través de ella.

El soporte oficial me parece que puede dar un buen empujón /hype tanto para R como para MKL ....

Nuevos artículos sobre todos los países, nuevas ideas, nuevas personas con las que hablar, nuevos algoritmos....

 

Hay un sitio que registra la publicación de nuevos paquetes de R....

Siempre me ha interesado descargar estos datos y agregarlos por tiempo (cuántos paquetes nuevos se descargan al día), bueno para entender qué está pasando con el lenguaje....

Pero siempre lo postergué, no sabía cómo hacerlo, pensaba que era largo y complicado....

Hoy me decidí a hacerlo, pasé unos 5 minutos para darse cuenta de cómo hacerlo y 30 segundos en el código en sí)))

aquí está el código 

library(rvest)
library(xts)
url <- "https://cran.r-project.org/web/packages/available_packages_by_date.html"

tb <- url |> read_html() |> html_table() |> _[[1]] |> {\(.) .[nrow(.):1,]}()

tb$Date |> rle() |> _$lengths |> xts(as.POSIXct(r$values)) |> plot(main="количество новых пакетов",col=4)

descarga de datos del sitio + agregación por día + visualización.


2008-09-08                                           1
2008-10-28                                           1
2010-06-25                                           1
2010-07-07                                           1
2011-08-18                                           1
2011-09-07                                           1
2011-12-01                                           1
2011-12-28                                           1
2012-01-28                                           1
2012-03-01                                           1
       ...                                            
2023-09-01                                          44
2023-09-02                                          35
2023-09-03                                          37
2023-09-04                                          32
2023-09-05                                          72
2023-09-06                                          84
2023-09-07                                          58
2023-09-08                                          45
2023-09-09                                          26
2023-09-10                                          27

Tengo un promedio de 40-50 nuevos paquetes por día.

=========================================================================


Y aquí está el mismo código en el python alabado, que es el mejor para el análisis sintáctico y en general

import pandas as pd
import requests
from bs4 import BeautifulSoup
import matplotlib.pyplot as plt

url = "https://cran.r-project.org/web/packages/available_packages_by_date.html"

response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')
table = soup.find_all('table')[0] 
df = pd.read_html(str(table))[0]
df = df.iloc[::-1]

df['Date'] = pd.to_datetime(df['Date'])
df_grouped = df.groupby('Date').size()

df_grouped.plot(title="количество новых пакетов")
plt.show()

Date
2008-09-08     1
2008-10-28     1
2010-06-25     1
2010-07-07     1
2011-08-18     1
              ..
2023-09-06    84
2023-09-07    58
2023-09-08    45
2023-09-09    26
2023-09-10    29
Length: 2807, dtype: int64

===========================================================


7 líneas de código en R, 18 líneas de código en python...

1...322332243225322632273228322932303231323232333234323532363237...3399
Nuevo comentario