L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 398
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Guardato il file, ci sono 8 coefficienti di ingresso è23 cioè c'è un neurone per lavorare con 3 ingressi. Immagino che il vostro programma impieghi ventiquattro ore per calcolare quali 3 ingressi su 100 alimentare questo neurone. Pensavo che il neurone fosse espanso ad almeno 10 ingressi...
sì, è una selezione difficile, solo pochi sono rimasti :)
Ti ho dato un link al suo sito, c'è una descrizione del modello. Non so nemmeno come descriverlo, c'è scritto Macchina Nucleare + Macchina Vettoriale. È più complicato che nella versione mt5 + allenamento con l'avversario invece di selezionare i pesi nell'ottimizzatore, ma nel risultato abbiamo gli stessi pesi per ciascuno dei predittori.
Per quanto ne so si usa il metodo dei vettori di riferimento, quando nello spazio multidimensionale si costruisce l'iperpiano che è massimamente distante da tutti i punti del training set, dividendo così lo spazio in due categorie "sì" e "no". Trasformazioni del kernel dello sputo. Quindi l'ottimizzatore impiega un tempo MOLTO lungo per calcolare. Non è un neurone ad addestrarlo, è un sistema AI che oltre all'addestramento fa un mucchio di conversioni e forzature brutali con i dati. Ecco perché ci vuole così tanto tempo. Il che è un po' frustrante. Ma poi di nuovo, come si può ottenere un modello adeguato al mercato in 5 secondi???? Non lo so :-(
Per quanto ne so, si usa il metodo dei vettori di riferimento, quando nello spazio multidimensionale si costruisce tale iperpiano che si allontana al massimo da tutti i punti del set di allenamento, dividendo così lo spazio in due categorie "sì" e "no". Trasformazioni del kernel dello sputo. Quindi l'ottimizzatore impiega un tempo MOLTO lungo per calcolare. Non è un neurone ad addestrarlo, è un sistema AI che oltre all'addestramento fa un mucchio di conversioni e forzature brutali con i dati. Ecco perché ci vuole così tanto tempo. Il che è un po' frustrante. Ma poi di nuovo, come si può ottenere un modello adeguato al mercato in 5 secondi???? Non lo so :-(
Beh, almeno, come è già stato scritto sopra - non stipare un mucchio di predittori in esso, li setaccerà tutti comunque :)
Guardato il file, ci sono 8 coefficienti di ingresso è23 cioè c'è un neurone per lavorare con 3 ingressi. Immagino che il tuo software stia contando da un giorno all'altro quali 3 ingressi su 100 dare in pasto a questo neurone. Pensavo che il neurone fosse espanso ad almeno 10 ingressi...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);
Non è qualcosa che hai capito male, ci sono 2 griglie, 8 ingressi sono alimentati a ciascuno, poi il risultato di entrambe le griglie è interpretato come descritto prima. Se entrambi dicono sì, allora sì, se no, allora no, se misto, non so... Come questo.....
Duro... È possibile prevedere qualcosa da 3 input?
Penso che stiate perdendo il vostro tempo nel posto sbagliato, se RNN dovesse espandersi a 10 o 100 input, allora potreste spendere 24 ore sul suo addestramento. E ora state perdendo il vostro tempo a setacciare le voci. E non sulla formazione.
Non è qualcosa che hai frainteso, ci sono 2 griglie con 8 ingressi ciascuna, poi il risultato di entrambe le griglie viene interpretato come descritto prima. Se entrambi dicono sì, allora sì, se no, allora no, se misto, allora non so... Come questo.....
8 sono i coefficienti dei legami tra ingressi e uscite, e ci sono 3 ingressi (8 =23)
Più precisamente i coefficienti delle regole:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
E ci sono solo 3 ingressi - A, B e Cr1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
Duro... È possibile prevedere qualcosa da 3 input?
Penso che stiate perdendo il vostro tempo nel posto sbagliato, se RNN dovesse espandersi a 10 o 100 input, allora potreste spendere 24 ore sul suo addestramento. E ora state perdendo il vostro tempo a setacciare le voci. E non sulla formazione.
perché l'ultima versione lì usa un comitato di 2 ns, poi i risultati sono confrontati
perché l'ultima versione lì usa un comitato di 2 ns, poi i risultati sono confrontati
Espanderei il neurone a 10 ingressi...
Ma ho bisogno di aggiungere regole fino a 1024:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
.....
r1023 =
Beh, almeno, come scritto sopra, non dovresti metterci un mucchio di predittori, li eliminerà tutti comunque :)
Qui sono pronto a scommettere. Questo viene dalla pratica. Quello che sto osservando durante l'utilizzo dell'ottimizzatore.
Se ci sono meno colonne che righe, il numero di ingressi diventa più piccolo della dimensione condizionale del polinomio della rete.
Se il numero di colonne e di righe è uguale, il numero di ingressi e la dimensione del polinomio sono approssimativamente gli stessi.
Se ci sono più colonne che righe, la dimensione del polinomio è inferiore al numero di ingressi.
In altre parole, è necessario che il numero di colonne e di righe sia approssimativamente uguale. Allora il polinomio è ottenuto con un numero sufficiente di ingressi, e la sua dimensione è approssimativamente uguale al numero di ingressi.
In altre parole. Più grande è il file, più multiparametrico diventa il modello. Il numero di ingressi e la dimensione del polinomio aumentano, il che indica che il modello diventa più intelligente. E così via.
Inoltre, quando si esegue lo stesso file più di una volta, l'insieme dei parametri di input è sempre diverso. Questo è dovuto alla suddivisione casuale del campione durante la divisione. Ma se eseguiamo uno stesso file e otteniamo modelli assolutamente diversi, funzioneranno comunque in modo identico, almeno dovrebbero. Questa è la risposta alla domanda su quale pesce si trova nel file dato. Se differisce da una corsa all'altra, significa che i dati non hanno nulla a che fare con l'output. Come questo....
8 sono i coefficienti dei legami tra ingressi e uscite, e ci sono 3 ingressi (8 =23)
Più precisamente i coefficienti delle regole:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
Ci sono solo tre ingressi - A, B e C.r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
Di quali coefficienti di accoppiamento stai parlando? Qui c'è una lista degli input utilizzati, e quello che vedete lì prima di ogni polinomio è la normalizzazione, e ci sono 8 input descritti, guardate sotto in fondo al file.
//Variabile x0: Del
//Variabile x1: Del1
/Variabile x2: VDel
/Variabile x3: VDel1
/Variabile x4: VDel6
//Variabile x5: ST5
/Variabile x6: VAD11
//Variabile x7: VVolum4
Dove sono i tre ingressi????? Quando ce ne sono otto.
L'esempio che hai citato viene da un altro lavoro di Reshetov e non ha niente a che fare con l'ottimizzatore.