L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2560
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
Je pense avoir compris ce dont j'ai besoin - la possibilité de définir un fichier flash personnalisé. Mais cette fonction HMMFit() ne supporte pas cette possibilité, car elle implémente un Baum-Welch avec LLH intégré. Vous ne pouvez définir que certains paramètres Baum-Welch.
Vous avez besoin d'un autre paquet où vous pouvez configurer un f.f. défini par l'utilisateur.
Le plus drôle, c'est que je n'ai vu aucun de ces packs AMO où l'on peut utiliser un FF personnalisé...
Soit vous définissez X,Y (date, cible), soit seulement X (date).
Mais il est toujours possible d'entrer dans les "tripes" de l'AMO, de les déplacer et de voir ce qui se passe en termes de f.f..
Je forme les neurones de cette façon, Forrest aussi, maintenant je veux faire plus de SMM.
Le plus drôle, c'est que je n'ai pas vu de pactes de ce genre avec l'AMO où vous pouvez utiliser vos ff...
Soit vous définissez X,Y (date, cible), soit seulement X (date).
Mais il est toujours possible d'entrer dans les "tripes" de l'AMO, de les déplacer et de voir ce qui se passe en termes de f.f..
C'est ce que je fais, c'est mon genre de "life hack", j'ai formé les neurones de cette façon, Forrest aussi, maintenant je veux faire plus de SMM.
Dans LightGBM, vous pouvez définir vos propres règles, mais le plus souvent, il n'y a pas cette possibilité.
Dans LightGBM, vous pouvez définir les vôtres, mais le plus souvent, cette option n'existe pas.
Voulez-vous que je vous dise à nouveau quelles mesures j'utilise et selon quels critères je sélectionne les modèles ?
Après tout, c'est la chose la plus importante dans le MO, la question fondamentale :-)
Peut-être devrions-nous revenir à des définitions simples et généralement acceptées.
En ce qui concerne la définition de la stationnarité - il s'agit clairement d'une abstraction, car soit il s'agit d'un point unique sans fluctuations et alors la fenêtre de mesure n'est pas pertinente, soit il s'agit toujours d'une fluctuation avec une fenêtre minimale ou avec une gamme de fenêtres à mesurer.
La régularité, en revanche, peut générer la stationnarité de la même manière - puisqu'il s'agit de l'état d'un seul point et non de leur fenêtre de mesure.
Par conséquent, la stationnarité affecte directement la prévisibilité, et donc l'apprentissage, si cette stationnarité contient des informations sur la cible.
Comme je l'ai écrit précédemment, j'utilise précisément l'approche de sélection des prédictions par l'évaluation de leur stationnarité avec une fenêtre de mesure donnée.
Dans LightGBM, vous pouvez définir vos propres règles, mais le plus souvent, il n'y a pas cette possibilité.
Le xgboost peut aussi le faire, mais il est difficile d'écrire sa propre fonction. Vous devez sortir les formules.
http://biostat-r.blogspot.com/2016/08/xgboost.html - 6ème paragraphe.
En ce qui concerne la définition de la stationnarité - il s'agit clairement d'une abstraction, car soit il s'agit d'un point unique sans fluctuations, et alors la fenêtre de mesure n'est pas pertinente, soit il s'agit toujours d'une fluctuation avec une fenêtre minimale ou avec une gamme de fenêtres à mesurer.
La régularité, en revanche, peut générer la stationnarité de la même manière - puisqu'il s'agit de l'état d'un seul point et non de leur fenêtre de mesure.
Par conséquent, la stationnarité affecte directement la prévisibilité, et donc l'apprentissage, si cette stationnarité contient des informations sur la cible.
Comme je l'ai écrit plus tôt, je suis en train d'utiliser l'approche consistant à sélectionner les précurseurs en estimant leur stationnarité avec une fenêtre de mesure donnée.
je ne comprends pas du tout
statinoir devrait être le bruit après que le modèle est construit, il n'est pas requis nulle part ailleursJe ne comprends rien du tout.
Vous voulez comprendre ?
Êtes-vous sûr de ne pas confondre ff avec les métriques personnalisées ?
Je ne pense pas - l'exemple est en python.
le bruit statistique devrait être après la construction du modèle, il n'est pas nécessaire ailleurs.
Oui, c'est exactement la relation entre le prédicteur et la cible dont je parle.
Maintenant, je n'ai pas connaissance d'une méthode pour construire un modèle qui donne une estimation de la "stationnarité" à différents intervalles d'échantillon avec un fractionnement ou un autre mécanisme pour combiner les prédicteurs. Tous les modèles font un ajustement aux parcelles d'échantillon, estimant seulement une mesure quantitative de l'amélioration, mais nous devons l'estimer sur des intervalles, alors le modèle peut être plus robuste.