L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2427
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
Bene, poiché sto facendo uno script per preparare i dati, ho ancora bisogno di fare un file che elenchi le colonne escluse, che includono:
1. Colonne con predittori correlati (a proposito, come si fa a scegliere quale colonna eliminare, diciamo 5 predittori correlati?)
2. Colonne scartate dal primo file-table, tranne la colonna con l'obiettivo.
Inoltre, la colonna con l'etichetta di destinazione dovrebbe essere scritta nel file, preferibilmente ricercata per il nome della colonna.
La struttura del file è la seguente
Ho bisogno di selezionare i predittori giusti in meno tempo. Passare di nuovo attraverso i predittori significa aumentare il tempo di elaborazione di cento volte. Il mio metodo si basa sulla logica che un buon predittore (incluso uno adatto a un particolare metodo di apprendimento) sarà richiesto dal modello a tutti gli intervalli di campionamento, il che elimina l'adattamento all'area di campionamento.
Per averlo su tutti, abbiamo bisogno di una convalida incrociata. E si controlla solo con un test o un esame.
Se si fa una validazione incrociata al 10% di un campione, bisogna allenarsi 10 volte, non centinaia. E se fai il 20%, devi insegnarlo 5 volte.
Bisogna fare un controllo incrociato con la convalida per poter fare tutto. E si controlla solo con un test o un esame.
Se si esegue la convalida incrociata al 10% del campione, è necessario allenarsi 10 volte, non centinaia. E se il 20%, allora 5 volte.
Divido il campione in 8 sezioni e costruisco 100 modelli diversi per ogni sezione, poi analizzo i modelli e vedo quali predittori sono stati richiesti - significa che sono stati usati per trovare un modello, faccio la media del valore stimato, e poi uso i predittori rimanenti per allenare l'intero campione. La logica dietro a questo è che una volta che i modelli di questi predittori sono stati trovati in una particolare area, allora il modello sarà in grado di generalizzare a questi predittori in modo uniforme in tutto il campione, piuttosto che aggiustare per aree del campione come avviene di solito.
Il tuo metodo costruisce il modello su una piccola parte del campione, i modelli saranno costruiti in modo diverso su ogni parte del campione, perché saranno selezionati i migliori predittori che si adattano a una particolare area di formazione, e considerando il fatto che il campione non è perfetto (rappresentativo), possiamo dire che questo modo indaga solo una parte delle informazioni disponibili che possono o non possono ripetersi in futuro, il mio metodo permetterà di imparare più informazioni sul mercato e l'overtraining sarà minore. Inoltre, se in CatBoost non si fissa la tabella quantica, allora ogni volta in generale l'allenamento sarà su predittori diversi a causa delle diverse costruzioni di tabelle quantiche per il sito concreto del campione.
ora la risposta alla prima domanda
Non so cosa c'è che non va - giura.
Non so cosa c'è che non va - giura.
Eseguire il codice di creazione della funzione e poi la funzione stessa
Ha funzionato, grazie.
Lascia che sia il tuo compito)...
Potrei usare solo esempi concreti per capirlo, altrimenti farei meglio a risolvere il problema in MQL.
Il thread del forum più mistico ora con comunicazione telepatica.
Nessuno ha ammesso che tipo di macchina viene insegnata qui e quale
Mi chiedo anche perché ogni spaventapasseri che vende la sua misera macchina di mediazione pensa che sia suo dovere promuoversi in questo thread, è un'iniziazione o cosa? ))