Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2261
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
Los modelos complejos son una gran ventaja, pero se necesitan un par de años de vida para llegar a ellos, que ya se han gastado con éxito
La biodiversidad lo es todo.
La biodiversidad lo es todo.
Un ejemplo sencillo. Miles de ejecuciones con diferentes parámetros VS un entrenamiento, incluyendo todo el espacio de rasgos. A continuación, la misma visualización y análisis, eliminando lo superfluo.
bueno eso es todo ... como quiera.Dudo que cualquier modus operandi sea capaz de hacer una reingeniería de ese tipo de TS: busca las áreas más similares a la actual en el pasado. Y si estadísticamente hay una preponderancia de un mayor movimiento en alguna dirección, ahí es donde señalamos.
Si antes, por simplicidad, la búsqueda de segmentos similares se realiza no sobre la serie de precios, sino sobre una serie de precios transformada, por ejemplo ZigZags o barras se sustituyen por la lógica binaria: arriba(0)/abajo(1). Entonces la tarea de reingeniería para el MO se vuelve bastante compleja.
Me lo perdí... es interesante probar este tipo de cosas en oficios de ejemplo.
hay dos puntos.
Puede que incluso resulte que MO rasgue su ST en sus propios datos
Pero no estoy preparado para jugar con los ticks hasta que no actualice mi portátil
Incluso puede resultar que el Ministerio de Defensa destroce su TC con sus propios datos
No lo dudo. Pero MO no repetirá la CT basándose en la búsqueda de situaciones similares en el pasado.
No lo dudo. Pero MO no reproducirá la CT basándose en la búsqueda de situaciones similares en el pasado.
¿Por qué es tan único? Si entrenas en la historia, MO sacará las mismas dependencias de otros rasgos
Los gatos y los perros se encuentran por una especie de exceso, pero tienen otros rasgos. Por ejemplo, los gatos tienen bigotes largos
Aprenderán a distinguir por sus bigotes y no por sus orejas... lo que va a cambiar
bueno, es una cosa individual. En teoría, no hay ningún problema.
Ah, bueno, aquí está el ejemplo del boxplot del artículo. Encontré patrones estadísticos como en el caso que describes. Luego entrené a NS en señales aleatorias para operar patrones estacionales y lo hizo mejor. Esto es para entender.
¿qué lo hace único?
No habrá caracterización de similitudes comparativas en MO. Sencillamente, no hay datos para entrenar tales si no se sabe de antemano en qué se basa la ST.
puede no funcionar. Pero cuando los datos ya están preparados, es decir, hay un patrón, entonces en algún espacio de Hilbert los puntos de las clases (por ejemplo, para comprar y para vender) son bien separables, no puede ser de otra manera. MO recogerá (lo intentará) las características que se ajusten a ellas. Hay cierta magia en esto, porque ni siquiera es tan importante conocer los atributos adecuados como marcar los datos correctamente, para distinguir los gatos de los perros.
Si hay acuerdos con su calendario, puedes comprobarlo.
Si hay acuerdos con su calendario, puedes comprobarlo.
El ejemplo era hipotético.
El ejemplo era hipotético.
Hipotéticamente, no hay ningún problema. La"similitud" se sacará a través de otras características porque la serie temporal es la misma. En la práctica, puede haber dificultades, por ejemplo, la curvatura de la mano )
Tiene un conjunto de patrones cercanos que se generalizan bien. Usted generalizó a través de la correlación, el modelo generalizará a través de una ventana deslizante en la historia. Las entidades similares se agruparán y etiquetarán como compra/venta/no comercio.
Los clusters similares dentro del modelo tendrán este aspecto, sólo que en el espacio multidimensional. Cada grupo tiene su propia etiqueta de compra/venta. Es una tarea muy sencilla. Es sólo una generalización.
Si hay expertos en modelos generativos, podemos probar la opción de agitar la matriz de covarianza del modelo GMM. Es decir, no cambiar la media y la varianza de la serie, sino cambiar la matriz de covarianza del GMM. El resultado debería ser un montón de ejemplos con diferentes propiedades.
¿Qué quieres decir?
sólo agitar la matriz cov. será al azar ....
Hay que saber el objetivo: para qué sirve la sacudida, cuál debe ser el corte final...