L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 523
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
Ce n'est rien, c'est juste un ajustement commun, ça a été discuté 100 fois auparavant. C'est élémentaire et n'est d'aucune utilité pratique dans le domaine du forex.
Je veux dire, c'est un ajustement. Je pensais avoir dit que c'était une zone hors échantillon de OOS...... Où est l'ajustement ? C'est exactement le niveau de généralisation assez élevé si quelque chose......
Je veux dire l'ajustement. Je pensais avoir dit que c'était une section hors échantillon....... Où est l'ajustement ? C'est exactement le niveau élevé de généralisation si quoi que ce soit......
ah... out... j'ai raté l'OOS :) alors ça devrait marcher sur le réel, même si c'est pire mais toujours dans le +.
pour obtenir des résultats stables, il faut faire de la validation croisée et de la TS adaptative... mais il y a beaucoup de pièges là aussi
Le principal écueil du système d'auto-formation que j'ai constaté est que les échafaudages ou les NS sont formés de manière légèrement différente à chaque fois sur le même échantillon, ce qui peut entraîner des changements significatifs dans les résultats finaux. C'est-à-dire que si plusieurs fois dans le testeur pour exécuter le même TS, les résultats seront différents :)
Et chaque fois que j'étudie de plus en plus la NS, je commence à aimer le logit simple ou la régression linéaire:D
Quelqu'un sait-il ce qui arrive au réseau lorsque le nombre d'exemples de formation par classe est différent ? J'ai vu que cela entraîne un biais et que le réseau commence à ne produire qu'une seule classe, et que l'alignement du nombre de classes corrige la situation. Et cet alignement du nombre d'exemples par classes corrige la situation.
Mais je veux en comprendre la raison.
Par exemple, après avoir vu 100 chats et 2 chiens, une personne prête plus d'attention aux chiens et les regarde, du genre "Oh, quelque chose de nouveau". Pour une raison quelconque, ces deux chiens ressemblent à des chats pour un réseau neuronal. C'est-à-dire que la quantité gâche la qualité.
Le trop petit nombre d'exemples d'une des classes ne permet pas d'allouer un seul neurone/connexion pour leur définition ? Bien qu'avec le softmax, le neurone de sortie est alloué, donc aucune connexion n'y est faite.
Ou bien à ces 2 exemples, on en trouve 10 très similaires d'une autre classe qui font prépondérance dans son camp ?
Je veux dire l'ajustement. Je pensais avoir dit que c'était une section hors échantillon....... Où est l'ajustement ? C'est exactement le haut niveau de généralisation si quelque chose.....
Eh bien, voici un retour en arrière par mois.
Quelqu'un sait-il ce qui arrive au réseau lorsque le nombre d'exemples de formation par classe est différent ? J'ai vu que cela entraîne un biais et que le réseau commence à ne produire qu'une seule classe, et que l'alignement du nombre de classes corrige la situation. Et que l'alignement du nombre d'exemples par classe corrige la situation.
Mais je veux comprendre quelle est la raison ?
Un homme, par exemple, qui a vu 100 chats et 2 chiens, prêtera plus d'attention aux chiens et les regardera, du genre : "Oh ! quelque chose de nouveau". Pour une raison quelconque, ces deux chiens ressemblent à des chats pour un réseau neuronal. C'est-à-dire que la quantité gâche la qualité.
Le trop petit nombre d'exemples d'une des classes ne permet pas d'allouer un seul neurone/connexion pour leur définition ? Bien qu'avec le softmax, le neurone de sortie est alloué, donc aucune connexion n'y est faite.
Ou bien à ces 2 exemples, on en trouve 10 très similaires d'une autre classe et on fait la dérogation dans leur direction ?
Eh bien, il fait la moyenne des exemples, la deuxième classe commence à contribuer moins
Un autre curieux facebook's Prophet lib
http://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
https://github.com/doubledare704/Jupyter-bitcoin
exemples pour le forex et le bitcoin
Ce qu'est devenu le progrès.
Quels sont les progrès accomplis ?
Il est étrange que les sourcils n'aient pas été inclus dans le traitement, alors qu'une mèche de cheveux fait partie du groupe.
Eh bien, voici un retour en arrière par rapport à l'avant du mois de vantardise aussi.
Maintenant c'est ce dont je parle... cool. Il est tout à fait possible de parier sur le vrai ...
Je ne sais pas ce que font vos réseaux. Mais Reshetovsky quand les classes sont faussées. Lorsque le nombre de uns et de zéros dans la variable de sortie n'est pas égal. Il ajoute à l'échantillon de formation et de test les classes qui sont plus petites. A titre d'exemple, les chats et les chiens. S'il y a 100 chats et 2 chiens, l'échantillon sera augmenté de 98 copies supplémentaires de chiens pour atteindre l'équilibre. Mais l'exemple n'est pas bon, car il y a une façon délicate d'ajouter. Il n'y a pas que ça. Nous obtenons ainsi un échantillon de 100 chats différents et de 100 copies de chiens. Alors c'est ça...