Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 888
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
Por lo tanto, sólo me quedaré con los que tengan un alto nivel de apoyo y fiabilidad. Así es como veo el trabajo - Genero predictores en el indicador en tiempo real y en el historial, los agrego en una cadena, y luego esta cadena se busca en el array, si se encuentra, entonces marcamos la barra como favorable para entrar, y si no, no hacemos nada. En consecuencia, las cadenas duplicadas sólo aumentarán la matriz. Por supuesto, podemos hacer una gradación por colores, con información sobre la fiabilidad y el soporte (multiplicando uno por otro obtenemos el coeficiente, que cambiará de color en función del valor), pero para esto es más fácil hacer simplemente un array separado de tipo int con índice. O tal vez no entiendo algo....
En teoría, si NS alimenta a todos sin cribar las cadenas no válidas, debería encontrarlas y aumentar su importancia. Pero, por supuesto, puedes hacerlo tú mismo, como has descrito. Al mismo tiempo es interesante y comparar - lo que es mejor.
Aunque hay ejemplos de cadenas de ruido en los artículos.Estoy de acuerdo, Python es la GPU por excelencia para los HFT, son los que tienen error negativo, ya lo mencioné, también investigan ahí el entrelazamiento cuántico para transmitir la señal más rápido que la luz, hay librerías en Python también, en la darknet.
no hace falta que vuelvas a decir tonterías, eso demuestra tu nivel
Estoy bromeando con un 90% de ahtungs, no te lo tomes en serio, python es un lenguaje estudiantil, para probar rápidamente un montón de biblios y dibujar gráficos, por ejemplo para reforzar el curso de Vorontsov, y la "investigación" es sólo para estudiantes de posgrado o algo alejado de la realidad, En las empresas serias todas las herramientas están escritas en C++, más de la mitad de los algoritmos son exclusivos o modificados bien conocidos, los problemas son muy específicos y altamente especializados, que no requieren de la ejecución de parámetros de 100500 bibliotecas, por lo que Python está presente en cantidades traza.
Aleshenka, ir más allá de dominar MO, sobre C ++ api y Cython y la migración de los modelos y los módulos individuales y el despliegue en los servidores después de la investigación / formación no has oído?
Y sin un error negativo al tratar de predecir los rendimientos no vuelven a aparecer. Te estás frustrando mucho: te sobra arrogancia y te falta información útil.
Teóricamente, si NS busca todas las cadenas sin que sean preliminarmente inválidas, debería encontrarlas y aumentar su importancia. Pero, por supuesto, puedes hacerlo tú mismo, como has descrito. Al mismo tiempo, es interesante comparar qué es mejor.
Aunque hay ejemplos en los artículos con el cribado de cadenas ruidosas.En general, no entiendo muy bien cómo organizar NS si toma datos de la historia, teóricamente de cualquier punto... Pero con un árbol/bosque, todo es más fácil, no analizan la historia, por lo que necesitan introducir un número limitado de variables, y los resultados de salida ya son conocidos, y los he escrito en una matriz; después del entrenamiento, el árbol no puede crear algo nuevo, pero la red neuronal puede reaccionar a los nuevos datos de diferentes maneras, Ya que introduce pesos (coeficientes) y son constantes para cada neurona, pero si tengo 10 o más neuronas, y para cada característica un coeficiente diferente, entonces algo resulta ser un montón de opciones - la red obviamente no puede entrenar por todas las variantes, por lo que puede tener diferentes sorpresas, o no entiendo algo.
Y he hecho un indicador, pero la enumeración del array no es muy rápida y el código en sí es muy lento, necesito una optimización.
En general, no entiendo muy bien cómo organizar NS si toma datos de la historia, teóricamente de cualquier punto... Pero con un árbol/bosque, todo es más fácil, no analizan la historia, por lo que necesitan introducir un número limitado de variables, y los resultados de salida ya son conocidos, y los he escrito en una matriz; después del entrenamiento, el árbol no puede crear algo nuevo, pero la red neuronal puede reaccionar a los nuevos datos de diferentes maneras, Ya que introduce pesos (coeficientes) y son constantes para cada neurona, pero si tengo 10 o más neuronas, y para cada característica un coeficiente diferente, entonces algo resulta ser un montón de opciones - la red obviamente no puede entrenar por todas las variantes, por lo que puede tener diferentes sorpresas, o no entiendo algo.
He creado un indicador, pero la búsqueda de la matriz no es muy rápida y el código en sí es muy lento, necesito una optimización.
El NS utiliza la misma tabla con datos, no hay diferencia con el bosque. Sólo los algoritmos son diferentes en el interior.
La misma tabla de datos se introduce en el NS - no hay diferencia con el bosque. Sólo los algoritmos son diferentes en el interior.
Entonces, ¿por qué la NS se fija en el historial en la formación si no lo utiliza en la operación?
No me he enterado por supuesto, qué me importa de ti, ahora sabré que lo que más mola no es la api de python a c biblia sino al revés, la api de c++ a python, con despliegue en servidores. seguir quemando))))
El mercurio del termómetro de tu sarcasmo se ha encogido en una burbuja y acaba de explotar, o se ha expandido tanto que ha explotado por la estupidez y la baba exageradas, lo que sea
api a frameworks en diferentes lenguajes, incluyendo python y ++
¿o lo encendiste, o sólo es triste?
¡No puede ser! ¡Mivagabundeo aleatorio es una predicción tan empinada como el forex! 90% acurasi si no hay reentrenamiento, y 100% con reentrenamiento.
¡Whoo! Parece que los nativos empiezan a hacerse a la idea de que el sobreentrenamiento no sólo no es fatal, sino que, en muchos casos, es incluso lo mejor).
Bueno, aquí hay un terrible overfit, pero todavía negociable en la primera mitad oos :) Podría hacerlo aún peor, pero no tiene sentido. El dinero se encuentra en algún lugar en el medio entre el exceso y la falta de beneficios.
El dinero está en todas partes, excepto debajo. Es sólo una cuestión de aplicación.
Entonces, ¿por qué la NS va a mirar el historial en la formación si no lo utiliza en su trabajo?
Durante el entrenamiento obtiene pesos y compensaciones para las neuronas, y según ellos calcula la salida en los nuevos datos.