L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2213
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
Vous entraînez donc le neurone pour le "profit maximum", ce qui revient à l'entraîner selon un seul critère ( "profit maximum").
Alexandre Alexandrovitch dit que le neurone trouve la meilleure solution "ne pas faire de commerce". Je n'arrive pas à comprendre comment il a fait, mais bon...
Donc si le neurone a décidé "de ne pas échanger" Ainsi, si le neurone a décidé de "ne pas négocier", cela signifie que nous devons ajouter un critère supplémentaire (un nombre minimum de transactions) : "min. transactions".
Il s'avère que nous devons déjà optimiser en utilisant deux critères (ou 10)
Nous ne pouvons rien normaliser ici car nous ne connaissons pas le résultat final.
Beaucoup de cibles. Habituellement, nous avons un objectif de 2x. Profiter au maximum et ne pas épuiser le solde. Le profit présente un risque d'assèchement.
Dans une centrale nucléaire, entre 19 et 30 paramètres. L'objectif est un rendement maximal et stable et qu'il ne s'arrête pas et n'explose pas. Au recul maximal, il peut exploser, et si les tiges sont également retirées, il n'explosera certainement pas, mais il peut s'arrêter.
Différents états limites, ou classes.
probablement....
========================
a fait un grand échantillon test
dans le carré est le morceau du test (nouvelles données) que j'ai montré.
Bref, pendant 5 minutes, la commission va tout dévorer.
Mais il est possible de synthétiser un modèle intéressant
Il est nécessaire d'inclure immédiatement dans la fonction de fitness l'entraînement et la vérification du modèle sur les échantillons d'arbres et de tests.
J'ai fait un travail très désordonné jusqu'à présent.
Entraînez le système quelques jours avant celui en cours, puis testez-le une semaine ou deux auparavant. Voyez ce qui se passe. Vous verrez beaucoup de choses intéressantes.
Merci, ils ne sont pas clairs.
oubliez-le....
Je ne comprends pas non plus votre rééchantillonnage((.
il est souvent difficile de comprendre quelque chose de compliqué).
Beaucoup de cibles. Habituellement 2x la cible. Profit maximal et ne pas épuiser le solde. Le profit présente un risque d'assèchement.
Oui, vous pouvez tout faire avec les fonctions de fitness.....
C'est le moyen le plus "libre" de communiquer au neurone ce que vous voulez qu'il fasse...
Formez le système il y a quelques jours à l'actuel, puis testez-le il y a une semaine ou deux. Voyez ce qui se passe. Vous verrez beaucoup de choses intéressantes.
Je ne comprends pas pourquoi vous faites ça.
oubliez-le....
Je ne comprends pas non plus votre rééchantillonnage((.
il est souvent difficile de comprendre quelque chose de compliqué).
Vous ne comprenez pas parce que vous ne l'avez pas lu.
je vous demande de faire un schéma de ce que vous faites, sinon je ne sais pas de quoi vous parlez.
Vous ne comprenez pas parce que vous ne l'avez pas lu.
Je vous demande de dessiner un schéma de ce que vous faites, sinon je ne sais pas de quoi vous parlez.
Je l'ai lu, le dernier...
Un peu plus tard, en écrivant du code, je veux essayer de sélectionner uniquement les modèles qui ont passé le test, mais automatiquement
Essayez une recherche multicritèresJe vous dis de faire un schéma de ce que vous faites, sinon je ne sais pas de quoi vous parlez.
Je fais la même chose que Vladimir dans le dernier tiers de cet article.
seulement je n'ajuste pas les paramètres du MASD pour maximiser les profits, j'ajuste juste les poids des neurones.
Mais c'est la même chose.
Je fais la même chose que Vladimir dans le dernier tiers de cet article.
Seulement, je n'ajuste pas les paramètres du MASD pour maximiser le profit, j'ajuste juste les poids des neurones.
Donc la même chose...
Il s'agit d'une optimisation par grille d'hyperparamètres.
Il s'agit d'une optimisation par grille d'hyperparamètres.
on pourrait dire que...
L'essentiel est dans les possibilités.
Toute idée peut être intégrée à un réseau neuronal via une fonction de fitness, même celle que vous ne pouvez pas décrire vous-même en code.
Eh bien, on peut dire que...
Ce qui compte, ce sont les possibilités.
Toute idée peut être inscrite dans le réseau neuronal via la fonction d'aptitude, même celles que vous ne pouvez pas décrire vous-même en code.
la grille apprend toujours par la minimisation de l'enropie. Et le critère d'arrêt peut être fait à partir de n'importe quelle perte personnalisée.
la grille est toujours apprise en minimisant l'énropie. Et le critère d'arrêt peut être fait à partir de n'importe quelle perte personnalisée.
Je ne sais pas si c'est possible en python, mais ce n'est pas très bon en r-ka, ou je ne sais pas comment le faire, c'est pourquoi j'ai créé ce...