Discussion de l'article "Apprentissage automatique : Comment les machines à vecteurs de support peuvent être utilisées dans le trading"

Nouveau commentaire
 

Un nouvel article Apprentissage automatique : Comment les machines à vecteurs de support peuvent être utilisées dans le trading a été publié :

Les machines à vecteurs de support sont utilisées depuis longtemps dans des domaines tels que la bio-informatique et les mathématiques appliquées pour évaluer des ensembles de données complexes et extraire des modèles utiles pouvant être utilisés pour classer les données. Cet article examine ce qu'est une machine à vecteurs de support, comment elle fonctionne et pourquoi elle peut être si utile pour extraire des motifs complexes. Nous étudions ensuite comment ils peuvent être appliqués au marché et potentiellement utilisés pour conseiller sur le trading. À l'aide de l'outil d'apprentissage par machine à vecteur de support, l'article fournit des exemples concrets qui permettent aux lecteurs d'expérimenter leur propre trading.

Une machine à vecteurs de support est une méthode d'apprentissage automatique qui tente de prendre des données d'entrée et de les classer dans l'une des deux catégories. Pour qu'une machine à vecteurs de support soit efficace, il est nécessaire d'utiliser d'abord un ensemble de données d'entrée et de sortie d'entraînement pour construire le modèle de machine à vecteurs de support qui peut être utilisé pour classer de nouvelles données.

Une machine à vecteurs de support développe ce modèle en prenant les entrées d'entraînement, en les mappant dans un espace multidimensionnel, puis en utilisant la régression pour trouver un hyperplane (un hyperplan est une surface dans un espace à n dimensions qui il sépare l'espace en deux demi-espaces) qui sépare le mieux les deux classes d'entrées. Une fois la machine à vecteurs de support entraînée, elle est capable d'évaluer de nouvelles entrées par rapport à l'hyperplan séparateur et de le classer dans l'une des deux catégories.

Une machine à vecteurs de support est essentiellement une machine d'entrée/sortie. Un utilisateur est en mesure d'introduire une entrée et, sur la base du modèle développé par entraînement, celui-ci renvoie une sortie. Le nombre d'entrées pour une machine à vecteurs de support donnée varie théoriquement de un à l'infini, mais en termes pratiques, la puissance de calcul limite le nombre d'entrées pouvant être utilisées. Si, par exemple, N entrées sont utilisées pour une machine à vecteurs de support particulière (la valeur entière de N peut aller de un à l'infini), la machine à vecteurs de support doit mapper chaque ensemble d'entrées dans un espace à N dimensions et trouver un (N-1 )-dimensionnel hyperplan qui sépare le mieux les données d'entraînement.

Machine d'entrée/sortie

Figure 1. Les machines à vecteurs de support sont des machines d'entrée/sortie

Auteur : Josh Readhead

 
Article extrêmement didactique et bien écrit, merci pour le partage.
 
MetaQuotes:

Nouvel article Machine Learning : How Support Vector Machines can be used in Trading est publié :

Auteur : Josh Readhead

Merci beaucoup pour votre article.

 
Je voudrais souligner que la méthode ne fonctionnera pas si au moins une des classes n'est pas cohérente, c'est-à-dire si elle est constituée d'au moins deux sous-groupes qui ne se chevauchent pas. Par exemple, si les Shnyaki (en fait - l'ordinateur ne le sait pas avant l'analyse !) sont de deux sortes - verdâtres, pesant 100 kg et aimant les carottes, et brillants comme l'arc-en-ciel, pesant 30 kg, qui ne supportent pas les carottes mais mangent du hareng, il sera assez problématique de tracer un hyperplan entre "shnyaki" et "non shnyaki". Une telle situation sur le marché, et même dans un cas multidimensionnel, est tout à fait typique.
 

alsu:
 Вот я бы все таки отметил, что метод не бует работать, если хотя бы один из классов не связный, то есть состоит из 2 и более непересекающихся подгрупп. Например, если Шняки (на самом деле - компьютер перед анализом этого не знает!) бывают 2 видов - зеленоватые, весом 100 кг и которые любят морковку и радужно-блестящие весом 30 кг, которые морковку не переносят, но зато хавают селедку, то провести гиперплоскость между "шняками" и "не шняками" будет довольно проблематично. А такая ситуация на рынке, да еще и в многомерном случае, типична вполне. 

... Et que vous pouvez utiliser cet algorithme pour résoudre ce problème. Merci beaucoup pour cela !

P.S : Désolé, mais je n'ai pas pu résister ... :)

1) Vous voyez une créature avec 9 pattes ( !) et 4 yeux. Ce n'est pas un glitch ! !! C'est un SNACK !

2) La fréquence d'accouplement des animaux est de 14000 Hz (14 000 fois par seconde). 0_o

 
MigVRN:

... Et que vous pouvez utiliser cet algorithme pour résoudre ce problème. Merci beaucoup pour cela d'ailleurs !

Je l'ai relu - un homme bien écrit, et je voulais l'utiliser moi-même))))
 
Article intéressant. Bien écrit.
 
Le problème des deux espèces de Schniaks peut être résolu de la manière suivante : 1) indiquer les caractéristiques communes aux deux espèces, mais qui les distinguent des autres animaux. Le résultat de l'analyse sera les deux espèces sans leur séparation, mais la qualité de la reconnaissance sera faible 2) en plus du point 1, les caractéristiques qui distinguent les 2 espèces de Shnyaks sont spécifiées. Par conséquent, il y aura moins d'erreurs pour lesquelles ces signes ne sont pas remplis, et plus d'erreurs pour lesquelles des signes supplémentaires sont remplis. Le résultat global dépend de la mesure dans laquelle les caractéristiques supplémentaires distinguent les Shnyaks de toutes les autres espèces. 3) Il est possible d'effectuer deux analyses, chacune mettant en évidence un type spécifique de Schniak. Une grande précision est supposée.
 
Excellent article, merci !
 

Très utile pour mettre en œuvre le SVM dans le trading !

Très bon travail !

 
de très bonnes choses !
12
Nouveau commentaire