Discusión sobre el artículo "Redes neuronales en el trading: Resultados prácticos del método TEMPO"
Te equivocas, 100*$200 == $20000, ¡gran ganancia! Y sois todos unos pardillos, lloriqueando por unas estrategias de forex, trading..... Todo lo que queda es poner esta estrategia en señales MQL5 y apostar si al menos una persona se inscribirá.
Acerca de la sugerencia - Yo lo extendería al hecho de que el autor debe iniciar una señal y mostrar el resultado al menos durante un mes. Últimamente, el sitio ha sido inundado con un gran número de artículos vacíos. ((:
Por un lado, sí. Por otro, tú mismo escribes al menos un artículo para entender el coste de la mano de obra y el nivel de complejidad.... Como dice el refrán clásico, hablar no es hablar....
¿Y de qué sirve esta complejidad?
¿Quién devolverá el tiempo invertido en estos artículos?
Se trata de forex, no de robótica.
¿Y de qué sirve esta complejidad?
¿Quién devolverá el tiempo invertido en estos artículos?
Se trata de forex, no de robótica.
Depende de lo que usted llame espeso. Si usted piensa que en el artículo el autor comparte el Grial, entonces probablemente sí, no hay uso.... Pero si usted considera el artículo como una fuente y el desarrollo de alguna idea de mercado, entonces puede tener derecho a la vida....
Actitud hacia los usuarios
Claramente
Sólo a los que piensan que el autor le debe algo.....
El estafador tampoco le debe nada a nadie.
Pero la gente cae en su trampa por alguna razón.
Si los artículos no contuvieran detonantes y motivaciones flagrantes como "...el modelo es capaz de generar beneficios", entonces no pasa nada. Nuestros problemas.
Y cuando se manipula información no contrastada, no es realmente nuestro problema.
Teniendo en cuenta que el primer usuario fue baneado por criticar, yo también acabaré para siempre. Puedes rebatir con contraargumentos, yo lo dejaré mejor sin respuesta.
...Si los artículos no contuvieran detonantes y motivaciones flagrantes como "...el modelo es capaz de generar beneficios", entonces que así sea. Nuestros problemas.
Y cuando manipulan información no contrastada - no son realmente nuestros problemas....
Bajo algún artículo de Dmitry en los comentarios le pedí que escribiera un artículo específicamente sobre la formación de sus Asesores Expertos. Podría tomar cualquiera de sus modelos de cualquier artículo y explicar completamente en el artículo cómo lo enseña. Desde cero hasta el resultado, en detalle, con todos los matices. En qué fijarse, en qué secuencia enseña, cuántas veces, en qué equipos, qué hace si no aprende, en qué errores se fija. Aquí está todo el detalle posible sobre el entrenamiento al estilo "para dummies". Pero Dmitry por alguna razón ignoró o no se dio cuenta de esta petición y no ha escrito tal artículo hasta ahora. Creo que mucha gente se lo agradecerá.
Dmitry escribe un artículo así, por favor.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Redes neuronales en el trading: Resultados prácticos del método TEMPO:
Continuamos familiarizándonos con el método TEMPO. En este artículo, analizaremos la efectividad de los enfoques propuestos con datos históricos reales.
El métodoTEMPOse basa en el uso de un modelo de lenguaje pre-entrenado. En particular, los autores del método usan un modeloGPT-2previamente entrenado en sus experimentos. La idea principal de este enfoque radica en utilizar el conocimiento del modelo obtenido durante el entrenamiento preliminar para pronosticar series temporales. Obviamente, aquí vale la pena establecer paralelos no obvios entre el habla y las series temporales. Después de todo, en esencia, nuestro habla es una serie temporal de sonidos que se registran mediante letras, y las diferentes entonaciones se fijan mediante signos de puntuación.
El segundo momento a considerar es que el modelo extenso de lenguaje (Long Language Model—LLM), en este casoGPT-2, ha sido entrenado previamente con un gran conjunto de datos (a menudo, en múltiples idiomas) y ha aprendido una gran cantidad de dependencias distintas en la secuencia temporal de palabras que nos gustaría usar en el pronóstico de series temporales. Pero las secuencias de letras y palabras se distinguen en gran medida de los datos de las series temporales analizadas. Y siempre hemos dicho que para el correcto funcionamiento de cualquier modelo, resulta esencial mantener la distribución de datos en las muestras de entrenamiento y prueba, sobre todo de los datos analizados durante el funcionamiento del modelo. Y aquí debemos recordar que cualquier modelo de lenguaje no funciona con el texto al que estamos acostumbrados en su forma pura: primero pasa por la etapa de incorporación (codificación), durante la cual el texto al que estamos acostumbrados se transforma en un determinado código numérico (estado oculto) con quien ya está trabajando la modelo. A la salida del modelo se generan las probabilidades de uso posterior de las letras y signos de puntuación. A partir de los caracteres, con bastante probabilidad, se formará el texto que leeremos.
Los autores del métodoTEMPOhan aprovechado esta propiedad. Durante el entrenamiento de un modelo de pronóstico de series temporales, se "congelan" los parámetros del modelo de lenguaje y se optimizan los parámetros para convertir los datos de origen en incorporaciones que resulten comprensibles para el modelo utilizado. Aquí los autores del métodoTEMPOofrecen un enfoque integral que permite dotar al modelo de la máxima cantidad de información útil. En primer lugar, la serie temporal analizada se desglosa en sus componentes constitutivos: tendencia, estacionalidad, etc. Luego, cada componente se segmenta y se transforma en incorporaciones que resultan comprensibles para el modelo de lenguaje. Y para orientar el modelo lingüístico en la dirección correcta (análisis de tendencias o estacionalidad), los autores del método han desarrollado un sistema de “sugerencias suaves”.
Autor: Dmitriy Gizlyk