L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 868
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
Domanda sull'argomento.
Si ritiene che NS possa proiettare qualsiasi indicatore al suo interno.
Qualcuno ha provato a fare un esperimento - può il NS riprodurre per esempio il MA? O MACD o filtro digitale?
Forse non è un problema. Un sacco di casi in molti pacchetti NS con la progettazione di queste cose.
Ma solo se si progetta il TC, quello che fa internamente rimane un mistero. Solo i coefficienti.
Forse non è un problema. Un sacco di casi in molti pacchetti NS con la progettazione di queste cose.
Ma solo se si progetta il TC, quello che fa internamente rimane un mistero. Solo i coefficienti.
Nei pacchetti ci sono di solito iris e medicine, ecc. - Non ricordo nulla con gli indici di mercato.
Anche se MA è troppo semplice: per MA10 aggiungere 10 ingressi con v=1, assegnare v=0 agli altri ingressi e poi scegliere k=10.
Filtri digitali allo stesso modo, ma v non sarà uguale a 1, ma altri valori secondo la formula del filtro. E teoricamente la NS potrebbe trovare non uno dei filtri standard, ma uno unico che si adatta meglio al mercato.
Cioè, essenzialmente 1 neurone è un filtro digitale (TF).
I neuroni multipli permetteranno di ottenere le interazioni di più TF (delta, somme). Se abbiamo bisogno di interazioni di 2° ordine (delta di delta) - dovremmo aggiungere 1 altro strato nascosto.
Il prodotto di 2x CP non può essere ottenuto da 2 neuroni nel neurone di uscita - è solo addizione. Ma può essere ricalcolato in un neurone separato, solo v e k saranno diversi.
Tutto sommato, per me questo è un nuovo modo di guardare a NS come TF.
Le confezioni di solito hanno iris e medicine ecc. - Non ricordo nulla con gli indici di mercato.
Anche se MA è troppo semplice: per MA10 - sommare 10 ingressi con v=1, assegnare v=0 agli altri ingressi, e poi prendere k=10.
Ifiltri digitali sono altrettanto semplici v non saranno uguali a 1 ma ad altri secondo la formula del filtro. E teoricamente il NS può trovare non qualcosa dai filtri standard, ma uno unico che meglio si adatta al mercato.
Cioè essenzialmente 1 neurone è un filtro digitale (TF).
I neuroni multipli permetteranno di ottenere le interazioni di più TF (delta, somme). Se avete bisogno di interazioni di 2° ordine (delta di delta), dovete aggiungere 1 altro strato nascosto.
Qualcosa di simile a questo che ho scritto prima. Più 2 strati al NS, e vi farà qualsiasi indicatore-predicatore da solo. E non c'è bisogno di preoccuparsi.
Qualcosa di simile a questo che ho scritto prima. Più 2 strati al NS, e vi farà qualsiasi indicatore-predicatore da solo. E non c'è bisogno di preoccuparsene.
La selezione è necessaria quando alimentiamo casualmente un sacco di indicatori standard e non standard (ad esempio, MA, CCI, RSI con periodi diversi), ma non una serie temporale.
Dovremmo scartare quelli che non sono adatti. La NS con la serie temporale in ingresso selezionerà automaticamente gli indicatori con i coefficienti giusti.
Poi si scopre che la selezione dei predittori è una cosa inutile, che può anche interferire se l'input è da barre.
La selezione è necessaria quando alimentiamo casualmente molti indicatori standard e non standard, ma non una serie temporale.
E dovremmo scartare quelli che non sono affatto adatti. Ma la NS con la serie temporale in ingresso selezionerà automaticamente gli indicatori con i coefficienti appropriati.
Sì. C'è una serie temporale normalizzata all'ingresso dell'NS. Diciamo che la struttura NS -15-20-15-10-5-1 sta già facendo un buon lavoro.
Per determinare i lunghi e i corti avete bisogno di 2 NS.
Poi si scopre che la selezione dei predittori è una cosa inutile, che può anche interferire se l'input è da barre.
La selezione è necessaria quando alimentiamo casualmente molti indicatori standard e non standard, ma non una serie temporale.
E dovremmo scartare quelli che non sono affatto adatti. Mentre la NS con la serie temporale in ingresso selezionerà automaticamente gli indicatori con i coefficienti appropriati.
Inserisco la serie temporale (i prezzi nudi)
applicato agli indicatori di ingresso e agli incrementi (compresi quelli con periodi esponenziali, ecc.)
non c'è nessuna cazzo di differenza, ma c'è una differenza quando alimento coseni di differenze, tangenti di differenze e cos e tang iperbolici... Perché questo sia il caso, non lo so, ma le prestazioni del TC migliorano un po'.
L'input NS è una serie temporale normalizzata. Diciamo che la struttura NS -15-20-15-10-5-1 sta già facendo bene.
Per determinare i lunghi e i corti abbiamo bisogno di 2 NS.
Ho imparato circa 2 VS in pratica, ed è l'unico modo per usarli. Se uso 3 classi (comprare, aspettare, vendere), allora la classe media si verifica molto rapidamente, soprattutto se il neurone di uscita è sigmoide o tangente.
Ma se la regressione... Idealmente è necessario 1 neurone di uscita.
alimentato serie temporali (prezzi nudi) all'ingresso
Inserisco indicatori e incrementi (compresi quelli con periodi esponenziali, ecc.)
Non vedo alcuna differenza, ma c'è una differenza quando inserisco coseni di differenze, tangenti di differenze e cos e tangenti iperboliche... perché sia così - non lo so, ma le prestazioni di TC sono in qualche modo migliorate
Poi 3-4 strati nascosti sono necessari per costruire l'analogico dai prezzi nudi. 1 strato per gli indicatori + 1 strato per i delta + 1 strato per coseni e tangenti. L'avete provato?
No, uso solo lo scaffolding finora (un ensemble di qualsiasi numero di modelli, su caratteristiche diverse), l'output è medio
molto rapidamente tutto funziona ma