L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2359
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
Le MoD peut-il calculer la qualité des signaux par probabilité ? Pour ensuite filtrer ceux dont la probabilité est supérieure à 90%.
Il existe déjà des probabilités dans la sortie du modèle, mais elles sont pseudo, c'est-à-dire qu'elles n'ont aucun rapport avec la population.
peuvent être filtrés par un seuill'AutoMO implique de passer en revue les modèles et de choisir le meilleur d'entre eux
Quel est l'intérêt si catbust bat tout le monde sur tous les ensembles de données ?
https://mljar.com/machine-learning/compare-ml-algorithms/
Eh bien, voici la preuve que les modèles ne résolvent rien, la différence entre les modèles est de ~5%...
Seuls les signes et les modes de présentation de l'information sont déterminants...
Mais les imbéciles croient aux modèles, aiment les modèles, prient pour des articles d'outre-mer avec de nouveaux modèles. Y a-t-il quelque chose de plus facile que d'entraîner un modèle sur des données "brutes" ? :)) Vous n'avez pas besoin de penser ou de savoir quoi que ce soit, il suffit de copier le code et vous êtes un trader MO cool dans le thème MO))).
WAKE UP !!!!
Il y a tellement de signes et de méthodes de traitement qu'il n'y a pas assez de puissance de calcul pour les vérifier tous, même pour un groupe de personnes ! !!
Votre cerveau est-il si détraqué que vous ne voyez que des retours et que vous appliquez brutalement quelques modèles...
Etudiez les DSP, la modélisation des systèmes et les sciences, un MO sans connaissance, c'est juste l'accessoire le plus cool et rien de plus...
Eh bien, voici la preuve que les modèles ne résolvent rien, la différence entre les modèles est de ~5%...
Seuls les signes et les modes de présentation de l'information sont déterminants...
Mais les imbéciles croient aux modèles, aiment les modèles, prient pour des articles d'outre-mer avec de nouveaux modèles. Y a-t-il quelque chose de plus facile que d'entraîner un modèle sur des données "brutes" ? :)) Vous n'avez pas besoin de penser ou de savoir quoi que ce soit, il suffit de copier le code et vous êtes un trader MO cool dans le thème MO))).
WAKE UP !!!!
Il y a tellement de signes et de méthodes de traitement qu'il n'y a pas assez de puissance de calcul pour les vérifier tous, même pour un groupe de personnes ! !!
Votre cerveau est-il si détraqué que vous ne voyez que des retours et que vous appliquez brutalement quelques modèles...
Etudiez les DSP, la modélisation des systèmes et la science des pr, un MO sans connaissance, c'est juste l'essayage le plus cool et rien de plus...
Et pouvez-vous vous passer de faire l'idiot ? )))) il a de nombreux synonymes plus agréables))).
Quoi qu'il en soit, leur science a plus d'argent et ne nous devance donc pas encore(
Le traitement des données brutes est également un modèle. Et bien sûr, tester un modèle n'est pas le comprendre).
On ne peut pas faire l'idiot ?))) Il a de nombreux synonymes plus agréables))).
Sans vouloir vous offenser, ce n'est pas pour vous...
C'est pour ceux qui ont lu des articles occidentaux et qui pensent que le "GPT-3" va déchirer le marché...
Vous pouvez saisir 10 retours dans une fenêtre coulissante, vous n'avez pas de cervelle pour plus, mais quoi d'autre ? la chaîne pensera à tout, oui...
En tout cas, leur science a plus d'argent et c'est pourquoi nous ne sommes pas encore en avance(
Ce n'est pas ce que je veux dire...
Il y a deux problèmes.
1) La "faim d'information" dans les modèles, ceux-ci sont peu nombreux et de mauvais augure.
Si vous voulez prédire le processus et que vous avez des signes qui ne décrivent que 5% du processus, vous devez former au moins 100 couches, 8 fois convolutionnelles méga-duper-super-ultra-GPT-5.
La sortie sera la même prédiction avec une erreur de 95%.
Et les gens ne comprennent pas cela, mais tombent pour des architectures, et comment peut-on les appeler ?
conclusion la solution au problème n'est pas dans le MoD
2) Les caractéristiques ne vivent pas longtemps, elles perdent leurs propriétés utiles et très rapidement, aucun MI ne peut voir la dynamique de l'utilité de leurs attributs, vous devriez travailler avec votre cerveau, pas avec des modèles.
Conclusion : la solution au problème n'est pas dans le MO
Le traitement des données brutes est également un modèle. Et bien sûr, le test d'un modèle n'est pas sa compréhension).
Eh bien, oui, c'est une question d'adéquation...
Quand un avion passe au-dessus de ma tête et que j'achète l'eura, c'est aussi un modèle...
Mm, il semble que faire le ME mène parfois à une dépression nerveuse.
peut-être que quelqu'un d'autre essaiera d'expliquer le sens sacré d'AutoML ?
Mm, il semble que faire le ME mène parfois à une dépression nerveuse.
peut-être que quelqu'un d'autre essaiera d'expliquer le sens sacré d'AutoML ?
Quelqu'un d'autre peut-il essayer d'expliquer le sens sacré d'AutoML ?
Apparemment, c'est quelque chose comme ces "deux de la boîte, au visage identique" du dessin animé, qui feront tout pour nous).
Quelqu'un d'autre peut-il essayer d'expliquer le sens sacré d'AutoML ?
Marketing.
C'est-à-dire que l'objectif est de gagner des miettes de qualité en augmentant considérablement le temps nécessaire à l'exécution des modèles.
mais il y a aussi le prétraitement automatique et l'analyse exploratoire automatique.