L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2249
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
Cosa si può usare per misurare la prevedibilità di una serie o la staticità senza rimuovere la tendenza?
Qual è la misura della stabilità della serie?
La presenza di stazionarietà (descritta dallo stesso modello matematico, o se decomponiamo, dalla costanza delle frequenze e delle ampiezze in tutta la trama). Cioè la sezione breve deve essere descritta allo stesso modo di quella lunga, o la descrizione di diverse brevi in tutta la lunga è la stessa.
Dai filtri e dalle portanti. Se la frequenza del rumore è commisurata alla portante allora non è terribile, ma se è informativa allora è peggio. E naturalmente l'ampiezza del rumore deve essere minore.
La stabilità in serie all'interno di un matmodello è facile da capire. Ma quando i modelli cambiano periodicamente, il tasso di istituzione di un'area stabile, o la lunghezza dell'area in cui i modelli cambiano, la lunghezza delle aree stabili, la costanza delle caratteristiche di frequenza e ampiezza. Questo è un concetto complesso.
La presenza di stazionari (descritti da un unico modello matematico, o ..................
Non so come implementarlo.... forse c'è un tipo più semplice...
Voglio creare una rete che mira a prendere le quotazioni di mercato come input e produrre una serie più "prevedibile"
Ma ho bisogno di una misura di "prevedibilità"
Non so come implementarlo.... forse c'è un modo più semplice...
Voglio creare una rete che prenda le quotazioni di mercato come input e che produca una serie più "prevedibile"
Ma ho bisogno di una misura di "prevedibilità"
Non so come implementarlo.... forse c'è un modo più semplice...
Voglio creare una rete che prenda le quotazioni di mercato come input e che produca una serie più "prevedibile"
Ma ho bisogno di una misura di "prevedibilità".
Non so ancora come definire con precisione l'inizio della stazionarietà, perché è definita sulla storia. Come MA.
Non esiste una misura di prevedibilità su una serie non stazionaria, può essere solo su sezioni stazionarie. Se la rete definirà almeno queste trame sulla storia per cominciare, è una buona cosa.
.
Come opzione. La misura della prevedibilità non può essere misurata da un solo valore)
Finora, la scienza non sa come individuare l'inizio della stazionarietà, perché è definita sulla storia. Come MA.
Non esiste una misura di prevedibilità su una serie non stazionaria, può essere solo su trame stazionarie. Se la rete definirà almeno queste trame sulla storia per cominciare, già bene.
Tu non capisci... Non prevederò nulla, costringerò la rete a generare una nuova serie stazionaria...
Mi va bene definirlo sulla storia, purché funzioni.
Questo è quello che sto cercando.
Tu non capisci... Non prevederò nulla, costringerò la rete a generare una nuova serie stazionaria...
Mi piace la definizione di storia, purché funzioni.
Questo è quello che sto cercando.
Anche l'entropia è un'opzione. Per me è un concetto complicato. È come la stabilità dell'equità. Non può nemmeno essere descritto da un solo parametro.
Sì, hai ragione, se il vettore di caratteristiche è convertito in una matrice e alimentato alla convoluzione, non cambierà molto (già controllato :))) Nel mio caso, l'idea è di utilizzare al massimo la proprietà della rete di convoluzione di cercare e utilizzare modelli locali. Questi modelli sono invarianti al trasferimento, cioè la convoluzione multistrato può trovare lo stesso modello in posti diversi dell'immagine. Allo stesso modo, l'architettura con riduzione intermedia aggressiva della mappa delle caratteristiche permette di formare una gerarchia tra modelli su diversi strati di convoluzione. Quindi, sto cercando di trovare un'interpretazione grafica di una citazione che permetta alla convoluzione di trovare questi modelli.
Per i nostri scopi, convLSTM è più adatto. Cioè la convoluzione considerando i parametri spaziali e temporali. Potete vedere degli esempi qui e qui. Lo proverò in torcia la prossima settimana e vedrò come funziona. C'è un'implementazione in PyTorch
Buona fortuna
Su tsos, ns, errori del 1°, 2° tipo.
Ho letto fino a metà e mi sono fermato qui con una risatina.
numeri casuali. Una rete neurale cheusa questi pesi può avere la corretta relazione ingresso-uscita, ma perché questi pesi pratici funzionano rimane un mistero. Questa proprietà mistica delle reti neurali è la ragione per cui molti scienziati e ingegneri le evitano. Pensate a tutta la finzione scientifica propagata dai rinnegati del computer.
Penso che l'autore sia molto lontano da NS, anche più lontano di me))