L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2480

 
Dmytryi Nazarchuk #:

Lorsqu'on applique des méthodes d'apprentissage automatique à RUNNING, il est pratiquement impossible d'avoir la même variable dépendante pour le même ensemble de variables d'entrée. Des valeurs différentes de la variable dépendante génèrent une erreur de prédiction qu'il faut minimiser.

Tout ce fil de discussion est sur la minimisation de l'erreur de prédiction, aksakal.

Vérités simples....

Êtes-vous conscient du fait qu'il existe des méthodes de formation où la minimisation de l'erreur peut être infiniment longue non pas en termes de temps mais de résultat réel et que la valeur minimale de l'erreur obtenue en formation n'est pas un critère de généralisation du modèle. La méthode de rétropropagation est capable de minimiser l'erreur à zéro sur n'importe quelle donnée, mais en règle générale, ces modèles ne sont pas généralisables et sont peu performants sur de nouvelles données. Cette méthode pourra donc réduire à zéro l'erreur en présence de données contradictoires, mais elle sera peu utile en pratique. Alors croyez-moi, minimiser l'erreur dans la formation n'est pas une approche suffisante dans la formation !
 
mytarmailS #:

Pourquoi le hasard ?

Exactement. Les séries chronologiques d'échange ne sont pas stationnaires en premier lieu, mais elles ne sont en aucun cas aléatoires. Il y a toujours une raison pour un changement dans une série de prix et c'est l'analyse de la raison qui aide à prédire le prix, pas la conséquence !
 
Mihail Marchukajtes #:
Exactement. Les séries chronologiques des échanges ne sont pas stationnaires, mais elles ne sont pas non plus aléatoires. Il y a toujours une raison pour les changements de prix et c'est l'analyse de la cause qui permet de prévoir le prix, pas la conséquence !

........................ Donnez-moi un exemple d'une série déterministe non stationnaire.

 
Mihail Marchukajtes #:
Savez-vous qu'il existe des méthodes de formation où la minimisation de l'erreur peut être infiniment longue non pas en temps mais en résultat réel et que l'erreur minimale obtenue pendant la formation n'est pas un critère pour évaluer la généralisabilité du modèle. Disons que la méthode de rétropropagation est capable de réduire à zéro l'erreur sur n'importe quelle donnée, mais en règle générale, ces modèles ne sont pas généralisables et donnent de mauvais résultats sur de nouvelles données. Cette méthode pourra donc réduire à zéro l'erreur en présence de données contradictoires, mais elle sera peu utile en pratique. Alors croyez-moi, la minimisation des erreurs dans la formation n'est pas une approche suffisante dans la formation !

Bullshit

 
mytarmailS #:

Pourquoi le hasard ?

Les séries chronologiques sont déterministes, aléatoires et stochastiques. Il n'y en a pas d'autres. Pas du tout.

Forex et cotations boursières - quel type de séries ?

 
Evgeniy Ilin #:

Et si c'est votre pensée exactement, je comprends ce que vous pensez, vous pouvez prendre n'importe quelle fonction comme :

A[1]*X^0+A[2]*X^1+ ... + A [N]*X^N, c'est en général une série de Taylor (série fonctionnelle), sauf que A[i] > 0 pour tous les i = 1...N elle donne en général une croissance constante de la dérivée première, pour le dire clairement, donc

Comment différencier un ensemble de données de séries temporelles avec Python

Comment backtester les modèles d'apprentissage automatique pour les prévisions de séries chronologiques ?

oui, quelque chose sur le net ... confondu par la correction de la saisonnalité et d'autres événements plus significatifs dans le temps...

... et le nombre de fois où :

Ainsi, le processus de différenciation peut être répété plusieurs fois jusqu'à ce que toute dépendance temporelle ait été éliminée.

Le nombre de fois que la différenciation est effectuée est appelé l'ordre de différence.

p.s.

Je vais aussi regarder les liens d'ici (merci pour l'article).

How to Difference a Time Series Dataset with Python
How to Difference a Time Series Dataset with Python
  • Jason Brownlee
  • machinelearningmastery.com
Differencing is a popular and widely used data transform for time series. In this tutorial, you will discover how to apply the difference operation to your time series data with Python. After completing this tutorial, you will know: About the differencing operation, including the configuration of the lag difference and the difference order. How...
 
Dmytryi Nazarchuk #:

Les séries chronologiques sont déterministes, aléatoires et stochastiques. Il n'y en a pas d'autres. Pas du tout.

Forex et cours des actions - quel type de séries ?

Je ne suis pas doué pour ça...

Si je ne me trompe pas : en termes de théorie des probabilités, les citations sont un processus aléatoire et non stochastique.

Mais je ne suis pas d'accord.

 
mytarmailS #:

Je ne suis pas doué pour ça.

Si je ne me trompe pas : en termes de théorie des probabilités, les citations sont un processus aléatoire et non stationnaire.

Mais je ne suis pas d'accord avec ça.

Pourquoi pas ?

 
Dmytryi Nazarchuk #:

Pourquoi ?

J'ai plusieurs arguments, mais ils ne doivent pas être considérés en termes de théorie des probabilités, mais simplement de raisonnement humain.

1) Toutes les méthodes mathématiques inventées pour traiter des séries aléatoires/non-stationnaires/stationnaires..... quelconques ne fonctionnent pas pour les citations, pourquoi ?

2) le processus est organisé par des personnes pour prendre de l'argent à d'autres personnes, il ne peut pas fonctionner au hasard, je crois que le processus est déterministe mais c'est compliqué...

Il y avait d'autres points, mais quand j'ai commencé à écrire, ça m'est sorti de l'esprit...

 
mytarmailS #:

J'ai plusieurs arguments, mais ils ne doivent pas être considérés en termes de théorie des probabilités, mais simplement de raisonnement humain.

1) Toutes les méthodes mathématiques inventées pour traiter des séries aléatoires/non-stationnaires/stationnaires..... quelconques ne fonctionnent pas pour les citations, pourquoi ?

2) le processus est organisé par des personnes pour prendre de l'argent à d'autres personnes, il ne peut pas fonctionner au hasard, je crois que le processus est déterministe mais c'est compliqué...

J'avais d'autres points, mais quand j'ai commencé à les écrire, ils me sont sortis de la tête...

1) Toutes les méthodes mathématiques pour les processus non stationnaires sont du chamanisme. Parce que vous ne pouvez prédire l'avenir que sur la base du passé et si l'avenir ne dépend pas du passé - les prédictions basées sur le passé ne fonctionnent pas.

Le choix de la méthode, du modèle, etc. ne joue donc aucun rôle - seul le bon choix des variables d'entrée compte.

Vous n'avez pas besoin d'aller plus loin.

Raison: