L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1116
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
A cosa ti serve il tempo se i dati vengono mischiati prima dell'allenamento, a meno che non sia per evidenziare la sezione OOS... Non si preoccupi, mi mostri solo i risultati...
Ne ho bisogno.
Risultati. Vedere il mio thread. Lì sono sul caso.
itslek ha corso per Validol))))
set di dati di 42 esempi! 42 esempi!
non menzionare nemmeno la data nella linea temporale!
Guardando.
Dividere il predittore in due parti: una parte appartiene a una classe e l'altra parte all'altra classe. Disegna un istogramma di ogni metà e combina.
Quindi.
I predittori sono di qualità diversa ma hanno tutti una capacità predittiva molto migliore di prima (a memoria)
Dobbiamo introdurre una misura della distanza tra gli istogrammi, che mostrerà più realisticamente la differenza tra loro, che sarà più accurata che come immagine.
set di dati per 42 esempi
Senti, non ti capisco.... Se la tua IA è così figa che può imparare da 1000 esempi, sarà come un dado. Qual è il problema?
Guardando.
Dividere il predittore in due parti: una parte appartiene a una classe e l'altra parte all'altra classe. Disegna un istogramma di ogni metà e combina.
Quindi.
I predittori sono di qualità diversa ma hanno tutti una capacità predittiva molto migliore di prima (a memoria)
Abbiamo bisogno di introdurre una misura della distanza tra gli istogrammi che mostri più realisticamente la differenza tra loro, che sarà più accurata che come immagine.
Grande... continua. Abbiamo bisogno del risultato di un modello addestrato. L'analisi dei dati è buona, ma la cosa più importante è il profitto, se non mi sbaglio. Ecco perché vi chiedo di scambiarli, se potete...
Senti, non ti capisco.... Se la vostra IA è così forte da poter imparare da 1.000 esempi, quel campione sarebbe un gioco da ragazzi. Qual è il problema?
In realtà, è il contrario...
Meglio un algoritmo peggiore ma con più esempi che un algoritmo figo ma con meno dati.
anche 1000 non è sufficiente, specialmente per il mercato...
In realtà è vero il contrario...
accettare.... Dipende da quale strumento di IA usare. Alcuni hanno bisogno di un grande campione e alcuni, come un vettore di vettori di riferimento, non hanno bisogno di un grande campione perché il metodo richiede molte risorse e con un grande campione funziona per un tempo estremamente lungo...
accettare.... Dipende da quale strumento di IA usare. Alcuni richiedono un campione di grandi dimensioni e alcuni, come i vettori di riferimento, non hanno bisogno di un grande campione perché il metodo è ad alta intensità di risorse e richiede un tempo estremamente lungo per eseguire con un grande campione...
Cos'è l'IA?
Risultati non male sulla capacità predittiva NON porteranno a modelli stabili, come semplicemente il numero ridicolo di osservazioni = 51. Abbiamo bisogno di almeno 10 volte quel numero, e preferibilmente 100 volte quel numero.
Se si costruiscono modelli su quel numero di osservazioni, i risultati sono abissali.
Previsto
Attuale [0,0] (0,1) Errore
[0,0] 42.9 28.6 40
(0,1] 28.6 0.0 100
Errore complessivo: 57,1%, errore medio di classe: 70%
Rattle timestamp: 2018-10-18 21:29:39 utente
======================================================================
Matrice di errore per il modello lineare su Mic1.txt [validare] (conteggi):
Previsto
Reale [0,0] (0,1) Errore
[0,0] 1 4 80
(0,1] 2 0 100
Matrice di errore per il modello lineare su Mic1.txt [validare] (proporzioni):
Previsto
Attuale [0,0] (0,1) Errore
[0,0] 14.3 57.1 80
(0,1] 28.6 0.0 100
Errore complessivo: 85,7%, errore medio di classe: 90%
Rattle timestamp: 2018-10-18 21:29:39 utente
======================================================================
Matrice di errore per il modello Neural Net su Mic1.txt [validare] (conteggi):
Previsto
Reale [0,0] (0,1) Errore
[0,0] 2 3 60
(0,1] 1 1 50
Matrice di errore per il modello a rete neurale su Mic1.txt [validare] (proporzioni):
Previsto
Attuale [0,0] (0,1) Errore
[0,0] 28.6 42.9 60
(0,1] 14.3 14.3 50
Errore complessivo: 57,1%, errore medio di classe: 55%
Rattle timestamp: 2018-10-18 21:29:39 utente