L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2761

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Je n'ai pas vu de sélection significative dans ces articles. Significative dans le sens où il ne s'agit pas de choisir dans une pile, mais de faire un marquage informatif puce-cible en une seule fois. Il est possible de sélectionner des caractéristiques cibles pour n'importe quelle caractéristique. C'est impossible avec les incréments. Nous devrons sélectionner des attributs cibles sous des attributs cibles.

On parle d'aléatoire lorsque les transactions sont semées à partir de zéro dans toutes les directions avec des durées différentes et rêvées en fonction du résultat.

"Significatif" - d'après les images que j'ai données, qui font du"marquage informatif puce-cible en une seule fois".

Qu'entendez-vous par "significatif" ?

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

"Significatif" l'est par les images que j'ai citées, et c'est ce qui fait du"balisage informatif une ficha ciblée à la fois"

Et qu'entendez-vous par le mot "significatif" ?

Eh bien, s'ils le font tout de suite, alors ok. Je ne me souviens pas de cela. Quel est le titre de l'article ? Je le lirai plus tard

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
S'ils le font tout de suite, c'est bon. Je ne m'en souviens pas. Quel est le titre de l'article ? Je le lirai plus tard

Ici, par VLADIMIR PERERVENKO. Il a un cycle complet d'articles commençant par l'exploitation des données. Mon point de vue coïncide avec le sien à bien des égards, sauf en ce qui concerne le modèle lui-même. Je considère qu'il n'est pas assez complexe pour nos besoins.

[JeeyCi]

СанСаныч Фоменко # :

"Significatif" l'est par les images que j'ai données, qui rendent "informative markup fiche-targeted at once".

L'image d'ici https://www.mql5.com/ru/articles/3507 est ainsi nommée - Fig.12. Variation et covariance d'un ensemble de 2 trains

de la covariance à la corrélation il y a 1 pas.... (mais vous êtes un génie et tout le monde est offensé - alors cherchez sur Google).... succès pour vous dans le polissage de votre appareil conceptuel ... une fois que vous aurez compris le sens des mots - le pseudo-génie de votre jargon et la fausseté de vos prétendus arguments se dissiperont en un clin d'œil ... vous ne pouvez pas changer la logique avec vos cris.

-- ... en général, le fil n'a pas changé, toujours des gorges déchirées essayant de proclamer leur génie, l'invention d'une bicyclette, - des "pionniers" pour ainsi dire...

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

Ici, de VLADIMIR PERERVENKO. Il présente un cycle d'articles systématiquement complet, en commençant par l'exploration des données. Mon point de vue coïncide avec le sien à bien des égards, sauf en ce qui concerne le modèle lui-même. Je considère qu'il n'est pas assez compliqué pour nos besoins.

Je n'ai vu aucun marquage de la cible pour des attributs spécifiques. Nous prenons un incrément avec un décalage arbitraire. Cela ne sera informatif que pour certaines cibles et non informatif pour d'autres.

Je viens de vérifier quels sont les attributs qui conviennent le mieux à des cibles spécifiques.

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Je n' ai vu aucune indication de l'objectif pour des caractéristiques spécifiques. Nous prenons un incrément avec un décalage arbitraire. Il ne sera informatif que pour certains objectifs et non informatif pour d'autres.

Je viens de vérifier quels sont les attributs qui conviennent le mieux à des cibles spécifiques.

Je ne comprends pas. Que signifie "balisage" ?

Les paires cible-prédicteur sont liées et la paire existe précisément parce qu'elles sont liées. Et il est assez difficile de trouver de telles paires. Plus le lien est fort, plus l'erreur d'ajustement est faible. Pour une autre cible, le problème du prédicteur est différent.

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

Je ne comprends pas. Que signifie le terme "marquage" ?

La paire cible-prédicteur est liée et la paire existe précisément parce qu'elle est liée. Et il est assez difficile de trouver de telles paires. Plus le lien est fort, plus l'erreur d'ajustement est faible. Pour l'autre cible, le problème du prédicteur est différent.

Au départ, vos signes ne sont pas liés aux signes de la cible, car les signes de la cible sont des signes d'incrémentation, c'est-à-dire des signes dépourvus de sens

Ensuite, parmi des dizaines et des centaines de signes, vous choisissez les plus pertinents pour ces cibles. C'est l'approche la plus inefficace, mais elle a sa place.

Ainsi, vous classez les chats et les chiens, deux classes. Et à l'entrée, comme caractéristiques, vous donnez des sabots de chameau, des queues de poisson, des seins, des cuillères à café, la vitesse de la lumière et ainsi de suite. Bien sûr, on y arrive parfois, mais c'est très difficile.

La situation est compliquée par le fait que les chats et les chiens sont également mélangés, car les signes d'incrémentation ne sont pas un objet spécifique prédit, mais seulement une petite partie de cet objet, par exemple une jambe. Et cette jambe peut être celle d'un chien, mais sur le moment, vous la voyez comme celle d'un chat.

Il y a donc soit une recherche brutale de tout et n'importe quoi, soit des cibles intrinsèquement construites basées sur des traits.

Dans son livre, Prado a fait la première tentative de balisage de classe à travers la triple barrière pour distinguer les classes plus clairement. Mais cette approche me semble encore naïve.

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:

Au départ, vos signes n'appartiennent pas aux signes cibles, car les signes cibles sont des signes incrémentaux, c'est-à-dire des signes dépourvus de sens

Ensuite, parmi des dizaines et des centaines de signes, vous choisissez ceux qui correspondent le mieux à ces cibles. C'est l'approche la plus inefficace, mais elle a sa place.

Ainsi, vous classez les chats et les chiens, deux classes. Et à l'entrée, comme caractéristiques, vous donnez des sabots de chameau, des queues de poisson, des seins, des cuillères à café, la vitesse de la lumière et ainsi de suite. Bien sûr, on y arrive parfois, mais c'est très difficile.

La situation est compliquée par le fait que les chats et les chiens sont également mélangés, car les signes d'incrémentation ne sont pas un objet spécifique prédit, mais seulement une petite partie de cet objet, par exemple une jambe. Et cette jambe peut être celle d'un chien, mais sur le moment, vous la voyez comme celle d'un chat.

Il y a donc soit une recherche brutale de tout et n'importe quoi, soit des cibles intrinsèquement construites sur la base de traits.

J'espère me tromper, mais j'ai l'impression que les traits ne sont pas compris de la même manière.

[Maxim Dmitrievsky]

Valeriy Yastremskiy #:
J'espère me tromper, mais j'ai l'impression que les attributs ne sont pas compris de la même manière.

Les caractéristiques sont ce qui est introduit à l'entrée du SN, et les étiquettes de classe sont introduites à la sortie.

Une caractéristique doit représenter une information partielle sur l'objet à classer, c'est pourquoi il s'agit d'une caractéristique. C'est pourquoi il s'agit d'une caractéristique. Une marque distinctive, si vous voulez.

De mon point de vue, tant que l'on ne définit pas exactement ce que l'on veut classer, toutes ces 100 méthodes d'ajustement fantaisistes donneront le même résultat.

[Ivan Butko]

Maxim Dmitrievsky #:
Les traits sont ce qui est introduit dans l'entrée NS, et les étiquettes de classe sont introduites dans la sortie.

Une caractéristique doit représenter des informations partielles sur l'objet à classer, c'est ce qu'est une caractéristique. Un insigne, si vous voulez.

De mon point de vue, tant que l'on ne définit pas exactement ce que l'on veut classer, toutes ces 100 méthodes d'adaptation fantaisistes aboutiront au même résultat

Des signes indirects sont-ils possibles ? Par exemple, les chats et les chiens se battent souvent, mais les chiens ont plus tendance à chasser les chats. On nous donne : deux objets et leurs mouvements. La tâche : déterminer lequel des deux est un chat et lequel est un chien, après avoir vérifié une première fois à l'aide de données factuelles et, les fois suivantes, déterminer de manière indépendante qui est qui. Nous savons avec certitude que l'un des deux est un chat et l'autre un chien, mais nous ne pouvons pas voir leur silhouette ni les entendre, nous ne pouvons même pas voir leurs traces, seulement la coordonnée du mouvement. Nous alimentons le réseau neuronal en mouvements d'objets dans un sens et dans l'autre (ACHETER-VENDRE). Au cours du processus de "réflexion" et de multiplication des poids, le réseau neuronal nous a appris qu'un objet est toujours en tête et l'autre derrière (MA_5[0] > MA_10[0]), et a émis une hypothèse : le chien est-il en tête maintenant ? Il l'a vérifiée avec les données réelles, a obtenu la réponse (NON), a corrigé les données, a supposé qu'il s'agissait d'un chat, a vérifié - (OUI). Le réseau neuronal sait maintenant comment déterminer qui est un chat et qui est un chien en fonction de la lutte et du mouvement des objets. En même temps, on ne lui a pas donné de pattes, de poils, de dents, d'aboiements ou de miaulements.

Il semble donc que le réseau neuronal puisse être nourri de beaucoup de choses et qu'il trouvera quelque chose et le trouvera d'une manière telle(Hercule Poirot) qu'il donnera la réponse nécessaire. En d'autres termes, dans ce cas, la caractéristique ne représente pas une information partielle sur l'objet à classer, mais une solution est possible.