L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 632
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
J'ai trouvé un article intéressant et j'essaie de l'acheter et peut-être de l'ajouter au robot.
https://hackernoon.com/the-self-learning-quant-d3329fcc9915
Seulement il a une sorte de drogue à la fin qu'il apprend seulement à acheter pour une raison quelconque.
J'ai la même situation - le classificateur NS s'enlise souvent dans une seule classe. Les classes doivent être alignées. Mais j'ai 95% d'une classe et 5% de l'autre. *20 le volume de lignes n'est pas souhaitable.
C'est à peu près la même chose que dans cet article et je comprends.
Je pense que je vais passer à la régression/prévision pour expérimenter et voir ce qui va se passer...
J'ai trouvé un article intéressant et j'essaie de l'acheter et peut-être de l'ajouter au robot.
https://hackernoon.com/the-self-learning-quant-d3329fcc9915
J'essaie d'acheter un robot mais il est un peu bête, il n'apprend à acheter qu'à la fin pour une raison quelconque.
Et en général, l'article est utile car il donne des références à deux bonnes bibliothèques dans le code.
L'un pour charger différentes données de marché, l'autre pour appliquer sur les données différents indicateurs. Je l'ai pris pour moi.
https://www.quandl.com/tools/python
https://mrjbq7.github.io/ta-lib/
J'ai la même situation - le classificateur NS va souvent dans la même classe. Les classes doivent être alignées. Mais j'ai 95% d'une classe et 5% de l'autre. *20 le volume de lignes n'est pas souhaitable.
C'est à peu près la même chose que dans cet article et je comprends.
Je pense passer à la régression/prévision pour expérimenter et voir ce qui se passe...
Je suis aussi confronté à cette situation.
La sélection des caractéristiques, la régularisation et les nombreux abandons rendent le modèle plus stable. Tout cela sans alignement, un pur flux de séries chronologiques.
Je me suis beaucoup amusé avec les classes pour une raison quelconque. Dans mon cas (ml-assistant), la persistance du signal est un nombre unique [-1,1]. C'est-à-dire qu'en théorie, on peut immédiatement construire une régression (qui se révèle également assez bien), mais la prédiction y est moins "lisible".
Pour classer, nous devons les diviser en classes, et l'idée du softmax est d'égaliser la somme des classes à 1,0. Mais finalement, il s'est avéré plus correct de simplement les diviser par rapport à zéro, le modèle lui-même normalise la somme des classes à 1, indépendamment du ciblage.
Mais quand j'ajoute un troisième cours de passe, pour une raison quelconque, c'est un surentraînement constant. Peut-être que je ne le prépare pas correctement. =)
J'ai la même situation - le classificateur NS va souvent dans une seule classe. Les classes doivent être égalisées. Mais j'ai 95% d'une classe et 5% de l'autre. *20 le volume de lignes n'est pas souhaitable.
C'est à peu près la même chose que dans cet article et je comprends.
J'envisage de passer à la régression/prévision - pour expérimenter et voir ce qui se passe...
Sur un échantillon de 10-12k : ~800 sont de classe 1, le reste est de classe 0. C'est la réalité).
J'ai lu dans un livre intelligent que le rapport quantitatif des classes dans une séquence de formation doit être proche de la réalité.
Sur un échantillon de 10-12000 : ~800 sont de classe 1, le reste de classe 0. C'est la réalité).
J'ai lu dans un livre intelligent que le rapport quantitatif des classes dans une séquence de formation doit être proche de la réalité.
et d'autres livres intelligents disent que les classes doivent être équilibrées/combinées.
c'est-à-dire en forex, nous n'avons aucune idée de la population, et il va de soi que le nombre d'éléments dans les classes devrait être approximativement égal.
Une vidéo intéressante sur le hasard, réalisée par un homme intelligent.
Bonjour à tous !!! Quelqu'un peut-il expliquer la signification de l'entropie négative ? En termes simples, ......
Voici ce que les gens intelligents écrivent :
"La non-entropie θ correspond à une certaine valeur "structurelle". qui est déterminée par la quantité caractéristique de mémoire passée. Lorsque θ est grand, des structures hiérarchiques complexes dans une large gamme émergent, lorsque θ est petit, des structures dans une petite gamme émergent, et lorsque θ → 0, c'est-à-dire aucune information sur le passé, il y a une transition marginale vers les processus markoviens."
En fait, c'est la valeur qui caractérise la non-markovianité du processus. Comme je travaille avec des distributions de probabilités, j'ai découvert que cette chose est responsable des "queues" des distributions.Bonjour à tous !!! Quelqu'un peut-il expliquer la signification de l'entropie négative ? En termes simples......
L'entropie est une mesure du désordre ou du chaos, la non-entropie (entropie négative) est une mesure de la décence et du degré d'auto-organisation. Un sucre non dissous dans un bécher a une entropie minimale, une fois complètement dissous, le système a une entropie maximale. Pour ramener le système à son état initial, il faut importer de l'entropie de l'extérieur - pour créer une condition de cristallisation. Dans le cas de la NS, le système doit constamment absorber de nouvelles informations de l'extérieur et se débarrasser des informations inutiles, sinon, une augmentation de l'entropie entraînera sa mort.
L'entropie est une mesure du désordre ou du chaos, la non-entropie (entropie négative) est une mesure de l'ordre et du degré d'auto-organisation. Un sucre non dissous dans un système à bécher a une entropie minimale, après dissolution complète, le système a une entropie maximale. Pour ramener le système à son état initial, l'entropie doit être importée de l'extérieur - pour créer une condition de cristallisation. Dans le cas de la NS, le système doit constamment absorber de nouvelles informations de l'extérieur et se débarrasser des informations inutiles, sinon, une augmentation de l'entropie entraînera sa mort.
Excellent commentaire. Exactement.