L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2278
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
Per quanto mi ricordo TC ha lavorato per un po' ed è morto...
La filtrazione nel senso usuale (maghi, filtri, ecc.) è sempre un ritardo, un ritardo nel mercato è un drenaggio....
Dovresti costruire un altro paradigma (senza ritardi), livelli per esempio...
Cosa c'entra il ritardo? È lo stesso overfit, che differenza fa?
devi prima cercare un modello
cosa state aspettando?
#22497Ho queste idee un carro e un vagone, in coda.
Il file dà un esempio per 2 microfoni, e c'è un'altra idea per usare più valute per lo stesso scopo.
Ho anche bisogno di guardare l'adattamento alla cieca.
Visualizzazione della funzione di perdita
Cosa c'entra il ritardo? È lo stesso overfit, che differenza fa il modo di insegnarlo?
Dovete cercare un modello di furst.
Cos'è la sovralimentazione in un gimbal? Ma almeno leggi quello che dico?
C'è qualcosa nell'alglibo per comprimere e decomprimere i grafici?
Sull'interpolazione, ne vedo diverse. Quale funzionerà meglio per noi? E qual è il più veloce?
Abbiamo rinunciato all'idea...
Abbiamo trovato qualcosa per comprimere e decomprimere i grafici. Cosa c'è dopo? Come lo usiamo?
1) Riconoscere una dozzina di situazioni attuali compresse e non compresse? E poi? Alla media? Dopo tutto, forse il 50% dice di comprare e il 50% di vendere.
2) Nell'addestramento, c'è modo di usare questo? Diminuire la dimensione dell'array per la formazione?
L'idea è stata abbandonata...
non ha funzionato per me...
espanso e ristretto x10 volte.
spazzatura
c'è un altro modo... non combattere l'invarianza ma ridurre la dimensionalità
o semplicemente ignorarlo)
Cos'è l'overfit in un mashka? Ma almeno leggi quello che scrivo?
usa il tuo cervello).
l'approccio della vostra rete neurale per attraversare i periodi di tempo è un semplice overfitNon ha funzionato per me...
espanso - ristretto a x10 volte
spazzatura
c'è un altro modo... non combattere l'invarianza ma ridurre la dimensionalità
o saltarlo)
10 volte è troppo.
Penso che non abbiate bisogno di più del 50%. Prova, per esempio, 1,1, 1,3, 1,5 volte.
Se hai del codice già pronto e hai solo bisogno di cambiare il moltiplicatore, controlla queste opzioni
Non ha funzionato per me...
espanso - ristretto a x10 volte
spazzatura
c'è un altro modo... non combattere l'invarianza ma ridurre la dimensionalità
o semplicemente ignorarlo)
accendere il cervello).
l'approccio della vostra rete neurale di sovrascrivere i periodi di MA è un semplice overfitNon l'ho spento...
La rete controlla il periodo dello sventolio, il periodo è da 2 a 500 credo...
un periodo di2 a 500 equivale a un ritardodi 2 a 500
Che la rete sia o meno overfitted non è il punto... Il punto è che controlla il periodo e il periodo == ritardo
Hai provato il passo 1? Cioè, quando fate le previsioni, avete inserito nel modello diverse varianti in scala della situazione attuale?
sì
Sono molto interessato a questo algoritmo SPADE, ma non so ancora come affrontarlo, è da mezzo anno che mi gira in testa...
Non è molto ovvio come preprocessare i dati per esso, lo stesso vale per l'obiettivo + è estremamente avido di risorse, non è sicuramente un algoritmo "big-data"...
Ma mi sembra che questo sia il miglior algoritmo per il mercato del data mining