L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2954
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
ou former un modèle arborescent et prendre le point de la première division basée sur cette caractéristique.
1 division ? Ou plusieurs ? Fxaber attribue 3 divisions de travail avec son programme (et 3 divisions rejetées). Au total, 5 divisions.
Un logiciel de MO offre-t-il une telle possibilité d'effectuer le nombre requis de divisions en fonction de l'élément spécifié ?
Et le plus intéressant est de savoir à quels endroits faire des fractionnements. Fxaber le fait en fonction des résultats des transactions. Il s'avère que ce ne sont pas les premiers fractionnements, mais à la fin, il est nécessaire de les ajouter.
Ou bien les premiers fractionnements attribuent des morceaux de 1 à 4 heures et l'arbre sous-jacent est formé, en essayant d'atteindre le maximum sur son intervalle de temps.
Je crains qu'il n'y ait pas de logiciel de MO qui fasse cela - nous devrons simplement fractionner les données et former plusieurs modèles.
Il y a aussi le paquet intrees, où vous pouvez tirer des règles de plusieurs modèles de villages.
Il semble être basé sur XGBoost, qui est considéré comme moins bon que CatBoost et LightGBM. Le package lightgbm dans R est donc également disponible. La question est de savoir quelle est la meilleure façon d'implémenter les modèles.
Sur quoi se basent-ils ?
Sur la situation politique générale et le récent démantèlement de Yandex.
1 fractionnement ? Ou plusieurs ? Fxaber attribue 3 divisions de travail par son programme (et 3 divisions rejetées). Le total est de 5 fractionnements.
Un logiciel de MO offre-t-il une telle possibilité - créer le nombre requis de fractionnements en fonction d'une caractéristique spécifique ?
Le plus intéressant est de savoir à quel endroit effectuer les fractionnements. Fxaber le fait en fonction des résultats des transactions. Il s'avère que ce ne sont pas les premiers fractionnements, mais à la fin, il est nécessaire de les ajouter.
Ou bien les premiers fractionnements attribuent des morceaux de 1 à 4 heures et l'arbre sous-jacent est formé, en essayant d'atteindre le maximum sur son intervalle de temps.
Je crains qu'il n'y ait pas de logiciel de MO qui fasse cela - nous devrons simplement fractionner les données et former plusieurs modèles.
J'ai décrit trois variantes (la deuxième est décrite dans mon commentaire à l'article de fxsaber), dont les deux premières sont plus proches et la troisième est hypothétique. Selon moi, nous avons besoin d'un modèle simple avec un seul arbre (pas un ensemble) et un nombre minimum de caractéristiques. Après la détermination d'un nouveau point de coupure, la caractéristique cyclique est recalculée (décalée), puis le modèle habituel est utilisé.
1 fractionnement ? Ou plusieurs ? Fxaber attribue 3 divisions de travail par son programme (et 3 divisions rejetées). Le total est de 5 fractionnements.
Un logiciel de MO offre-t-il une telle possibilité - créer le nombre requis de fractionnements en fonction d'une caractéristique spécifique ?
Le plus intéressant est de savoir à quel endroit effectuer les fractionnements. Fxaber le fait en fonction des résultats du trading. Il s'avère que ce ne sont pas les premiers splits, mais à la fin, il est nécessaire d'en ajouter.
Ou bien les premiers splits allouent des morceaux de 1 à 4 heures et l'arbre sous-jacent est entraîné, en essayant d'atteindre le maximum sur son intervalle de temps.
Je crains qu'il n'y ait pas de logiciel de MO qui fasse cela - nous devrons simplement diviser les données et entraîner plusieurs modèles.
Pouvez-vous nous montrer un script avec cette fonctionnalité ?
Il semble être basé sur XGBoost, qui est considéré comme moins bon que CatBoost et LightGBM. Le package lightgbm dans R est donc également disponible. La question est de savoir quelle est la meilleure façon d'implémenter les modèles.
En ce qui concerne la situation politique générale et le récent démantèlement de Yandex.
CatBoost a un code ouvert, sa propre communauté et une mise en œuvre dans de nombreux projets commerciaux, de sorte que le soutien ne s'arrêtera pas immédiatement, même si Yandex sera fermé.
En ce qui concerne la séparation - même s'ils retirent les actifs incorporels, je ne pense pas que dans les réalités actuelles du droit international, les résidents de la Fédération de Russie s'y intéresseront, y compris au niveau législatif.
Chaque paquetage a une référence pour chaque fonction avec une description et un exemple.
Je pourrais dire la même chose de n'importe quel langage, et que les gens qui publient leurs codes sont des idiots !
CatBoost dispose d'un code ouvert, de sa propre communauté et d'une mise en œuvre dans de nombreux projets commerciaux, de sorte que le soutien ne s'arrêtera pas immédiatement, même si Yandex est fermé.
Enfin, peut-être. Mais je crois plus en microsoft)
En ce qui concerne la séparation - même s'ils retirent les actifs incorporels, je ne pense pas que dans les réalités actuelles, le droit international intéressera les résidents russes, y compris au niveau législatif.
Yandex n'est pas un résident de la Fédération de Russie et ne l'a jamais été. Aujourd'hui, il a également déménagé physiquement et semble avoir cessé d'être le principal moteur de recherche en Russie. Il serait surprenant qu'il ne soit pas avalé par Google ou Microsoft dans les prochaines années.