L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2762

 
Ivan Butko #:

Sono possibili segnali indiretti? Ad esempio, cani e gatti litigano spesso, ma è più probabile che i cani inseguano i gatti. Abbiamo due oggetti e i loro movimenti.

Nel processo di "pensiero" e di moltiplicazione dei pesi, la rete neurale ci ha classificato che un oggetto corre sempre avanti e l'altro dietro (MA_5[0] > MA_10[0]), e ha fatto un'ipotesi: il cane sta andando avanti ora?

Ora la rete neurale sa come determinare chi è un gatto e chi è un cane in base alla lotta e al movimento degli oggetti. Allo stesso tempo, non gli sono state fornite zampe, peli, denti, abbai o miagolii come input.

In questo caso, cioè, la caratteristica non rappresenta un'informazione parziale sull'oggetto da classificare, ma una soluzione è possibile.

Non si tratta di segnali, ma di dinamiche di sviluppo del processo nel tempo - serie dinamiche...

e le dipendenze sono studiate come serie stazionarie...

(ma il tempo può anche essere chiamato segno - esogeno, il fattore tempo aggiunge dinamica).

non hai ottenuto né miagolii né peli sull'input, ma hai ottenuto lo smoothing della traiettoria - le reti neurali non si preoccupano di ciò che approssimi - è solo che la dinamica mostra sempre il risultato con un ritardo - proprio perché ha bisogno del fattore tempo come finestra per raccogliere un campione e stimare il tasso di variazione della variabile dipendente dal tempo ... MA la dipendenza (dal tempo) deve esserci per analizzare la dinamica (è quello che metti nel modello che descrivi - se chiami le cose con il loro nome "qual è il fattore e cosa vuoi sapere/valutare" nel modello - allora ci saranno meno scarabocchi nel (non) capirsi sul forum)...

equazione lineare - mostra la velocità (tangente a un punto della curva della traiettoria), quadratica (parabola) mostrerà anche l'accelerazione... e la convergenza di (f-a)^2 sarà valutata nel tempo e mostrerà il risultato su un segmento finito di questa finestra temporale - MLE (stima della massima verosimiglianza) funziona sempre allo stesso modo, almeno quando si approssima la statica, almeno quando si equalizza la dinamica.

se non si pensa a ciò che si sta osservando - un fattore (qualitativo/quantitativo) o la sua dinamica (+ fattore tempo) - non si possono distinguere le dipendenze e i modelli di sviluppo - e quindi non si capisce cosa si sta analizzando e se è ciò che serve davvero e cosa dipende da cosa... e limiti del tipo di analisi - le analisi della dinamica mostrano SEMPRE risultati con un ritardo.

davvero, discussioni stancanti su chi guarda cosa in modo storto e vede cosa in modo storto e lo interpreta in modo storto, e come lui stesso capisce in modo storto dalle sue interpretazioni e cerca di convincere gli altri, e alcuni nei post sopra anche con la schiuma alla bocca.... di che tipo di controversia scientifica possiamo parlare? Se si astrae da tutto e da tutti a tal punto da stravolgere i significati con la propria libertà di parola -- non c'è libertà di parola nelle scienze naturali! Ci sono formulazioni esatte e i loro significati esatti ... non una conoscenza pseudoscientifica ... non una conoscenza pseudoscientifica, che voi promuovete qui a causa della vostra ignoranza dei fondamenti di base (e cercate di presentarla come un'argomentazione)_

create tali modelli (curve) - senza sapere cosa mettere in uscita (cosa volete sapere) come risultato della modellizzazione... Da quali fattori ti interessa questa dipendenza?

Spesso in questo thread tutto è troppo soggettivo, quindi è impossibile arrivare all'oggettività (che è il vero e principale obiettivo della modellazione).

 
JeeyCi #:

Non si tratta di segni, ma della dinamica dello sviluppo di un processo nel tempo, una serie dinamica...

e le dipendenze sono studiate come serie stazionarie....

(ma il tempo può anche essere definito un segno - esogeno, il fattore tempo aggiunge dinamica).

non hai ottenuto né miagolii né capelli sull'input, ma hai ottenuto lo smoothing della traiettoria - alla rete neurale non interessa cosa approssimi - solo la dinamica mostra sempre il risultato con un ritardo - proprio perché ha bisogno del fattore tempo come finestra per raccogliere un campione e stimare il tasso di variazione della variabile dipendente dal tempo ... MA la dipendenza (dal tempo) deve esserci per analizzare la dinamica (è quella che metti nel modello che descrivi - se chiami le cose con il loro nome "qual è il fattore e cosa vuoi sapere/valutare" nel modello - ci saranno meno scarabocchi nel (non)capirsi sul forum)...

equazione lineare - mostra la velocità (tangente a un punto della curva della traiettoria), quadratica (parabola) mostrerà anche l'accelerazione... e la convergenza di (f-a)^2 sarà valutata nel tempo e mostrerà il risultato su un segmento finito di questa finestra temporale - MLE (stima della massima verosimiglianza) funziona sempre allo stesso modo, almeno quando approssima la statica, almeno quando equalizza la dinamica

se non si pensa a ciò che si sta osservando - un fattore (qualitativo/quantitativo) o la sua dinamica (+ fattore tempo) - non si possono distinguere le dipendenze e i modelli di sviluppo - e quindi non si capisce cosa si sta analizzando e se è ciò che serve veramente e cosa dipende da cosa... e i limiti del tipo di analisi - le analisi della dinamica mostrano SEMPRE risultati con un ritardo

davvero, logoranti discussioni su chi guarda cosa in modo storto e vede cosa in modo storto e lo interpreta in modo storto, e come lui stesso capisce in modo storto dalle sue interpretazioni e cerca di convincere gli altri, e alcuni nei post qui sopra anche con la schiuma alla bocca.... di che tipo di controversia scientifica possiamo parlare? Se si astrae da tutto e da tutti a tal punto da stravolgere i significati con la propria libertà di parola -- non c'è libertà di parola nelle scienze naturali! Ci sono formulazioni esatte e i loro significati esatti ... non una conoscenza pseudoscientifica ... non una conoscenza pseudoscientifica, che tu stai promuovendo qui a causa della tua ignoranza dei fondamenti di base (e cercando di presentarla come un'argomentazione)_.

create tali modelli (curve) - senza sapere cosa mettere in uscita (cosa volete sapere) come risultato della modellazione... e da quali fattori si è interessati a questa dipendenza

Tutto è troppo soggettivo spesso in questo thread, quindi è impossibile arrivare all'oggettività (che è il vero e principale obiettivo della modellazione).

Grazie per la risposta dettagliata.

 
Qualcuno ha provato gli esempi degli articoli di RL su questo sito? Q learning, actor-critic.
Funziona o no?
 
Ivan Butko #:

Sono possibili segnali indiretti? Ad esempio, cani e gatti litigano spesso, ma è più probabile che i cani inseguano i gatti. Abbiamo due oggetti e i loro movimenti. Il compito: determinare quale dei due è un gatto e quale un cane, avendo verificato una volta con dati di fatto e in tempi successivi determinare in modo indipendente chi è chi. Sappiamo con certezza che uno dei due è un gatto e l'altro è un cane, ma non possiamo vedere la loro sagoma né sentirli, non possiamo nemmeno vedere le loro tracce, solo la coordinata del movimento. Diamo in pasto alla rete neurale il movimento degli oggetti avanti e indietro (ACQUISTO-VENDITA). Nel processo di "pensiero" e di moltiplicazione dei pesi, la rete neurale ci ha classificato che un oggetto corre sempre avanti e l'altro dietro (MA_5[0] > MA_10[0]), e ha fatto un'ipotesi: il cane sta andando avanti ora? L'ha verificata con i dati reali, ottenendo la risposta (NO), ha corretto i dati, ha ipotizzato che si trattasse di un gatto, l'ha verificata (SI). Ora la rete neurale sa come determinare chi è un gatto e chi è un cane in base alla lotta e al movimento degli oggetti. Allo stesso tempo, non gli sono state fornite zampe, peli, denti, abbai o miagolii.

Sembra cioè che alla rete neurale si possano dare in pasto molte cose e che essa trovi qualcosa e lo trovi in modo tale(Hercule Poirot) da dare la risposta necessaria. In questo caso, cioè, la caratteristica non rappresenta un'informazione parziale sull'oggetto da classificare, ma una soluzione è possibile.

È possibile, ma per cominciare bisognerebbe almeno separare i gatti dai cani.

Per quanto riguarda MAshki è un paragone sbagliato, è necessario capire chiaramente la differenza tra i marchi di acquisto e di vendita. Per questo si chiama imparare con un maestro. Non farà nulla senza un insegnante. La rete neurale vi aiuterà solo a valutare la correttezza delle vostre conclusioni su nuovi dati.

Vedete quanto è semplice. Basta guardare la definizione di apprendimento con l'insegnante.
 
JeeyCi #:


davvero, stancanti discussioni su chi guarda cosa in modo storto e vede cosa in modo storto e lo interpreta in modo storto, e come lui stesso capisce in modo storto dalle sue interpretazioni e cerca di convincere gli altri, e alcuni nei post qui sopra anche con la schiuma alla bocca.... di che tipo di controversia scientifica possiamo parlare? Se si astrae da tutto e da tutti a tal punto da stravolgere i significati con la propria libertà di parola -- non c'è libertà di parola nelle scienze naturali! Ci sono formulazioni esatte e i loro significati esatti ... non una conoscenza pseudoscientifica ... non la conoscenza pseudoscientifica, che tu promuovi qui a causa della tua ignoranza dei fondamenti di base (e cerchi di presentarla come un'argomentazione)_

create tali modelli (curve) - senza sapere cosa mettere in uscita (cosa volete sapere) come risultato della modellazione... e da quali fattori siete interessati a questa dipendenza

Tutto è troppo soggettivo spesso in questo thread, quindi è impossibile arrivare all'oggettività (che è il vero e principale obiettivo della modellazione).

Argomenti davvero stancanti in diverse lingue)))))) Sarebbe bello senza emozioni, con una spiegazione letterale e lucida della comprensione.... ma come al solito è raro che la gente capisca che le persone sono diverse e capiscono molte similitudini in modo diverso. ))))

Formulazioni precise e terminologia esatta non sono possibili in prima linea in nessun campo scientifico (allo stadio di nuova ricerca), purtroppo, ecco perché le spiegazioni delle proprie comprensioni in questo thread sono cruciali per i risultati di qui holivars)))))

 
Valeriy Yastremskiy #:

Argomenti davvero stancanti in diverse lingue)))))) Sarebbe bello senza emozioni, con spiegazioni testuali e lucide di comprensione... ma come al solito è raro che ci si renda conto che le persone sono diverse e capiscono molte similitudini in modo diverso.))))

Formulazioni precise e terminologia esatta non sono possibili in prima linea in nessun campo scientifico (allo stadio di nuova ricerca), purtroppo, ecco perché le spiegazioni delle proprie comprensioni in questo thread sono cruciali per i risultati di qui holivars)))))

Non c'è un avanzato qui, NON c'è la conoscenza degli strumenti disponibili. Un avanzato può essere formato dopo aver padroneggiato gli strumenti disponibili e aver cercato di eliminare le carenze individuate in essi.


Le formulazioni assolutamente precise sono possibili in tutti i casi in cui i termini sono supportati dal codice.


Ad esempio, rete neurale è un termine generalizzante senza contenuto specifico.

Una rete neurale nel pacchetto nnet, invece, ha un contenuto assolutamente preciso.

Allo stesso modo, anche il termine "capacità predittiva del predittore", utilizzato da me e da altri autori, è un termine generalizzante, ma "capacità predittiva", intesa come differenza tra le mediane di due vettori ottenuti dividendo il predittore per classi, è assolutamente preciso.

 
Maxim Dmitrievsky #:
I tratti sono ciò che viene fornito all'input di NS, mentre le etichette di classe vengono fornite all'output.

Una caratteristica dovrebbe rappresentare un'informazione parziale sull'oggetto da classificare, ecco cos'è una caratteristica. Un segno distintivo, se vogliamo.

Per come la vedo io, finché non viene definito cosa esattamente viene classificato, tutti questi 100 modi fantasiosi di adattamento daranno lo stesso risultato.

Le caratteristiche sono le vere cause tra il rumore (non le caratteristiche di cui abbiamo bisogno) che stiamo cercando, le etichette di classe sono i risultati di cui abbiamo bisogno, sono d'accordo con Sanych: la coppia target-predittori è correlata e la coppia esiste proprio perché è correlata.

E sono difficili da trovare)

Gli attributi sono incrementi nel tempo tra altri incrementi nel tempo, o in una serie, solo in ordine, senza tenere conto del tempo. Gli incrementi possono essere considerati sia separatamente, rispetto ai precedenti, sia come figura o funzione o modello di incrementi consecutivi. Per trovarli, esaminiamo un grafico, una finestra, ma per caratteristiche diverse abbiamo bisogno di dimensioni diverse di questa finestra. L'approccio di Sanych è di farlo su ogni nuovo risultato dei dati, il vostro è solo su quello identificato come necessario.

Anche le etichette delle classi/risultati di cui abbiamo bisogno, a quanto ho capito, per trovare quelle giuste è un compito separato.

Penso di aver capito tutto correttamente))))?

 
Valeriy Yastremskiy #:

I segni sono le cause reali tra il rumore (non i segni di cui abbiamo bisogno) che stiamo cercando, le etichette di classe sono i risultati di cui abbiamo bisogno, sono d'accordo con Sanych: la coppia "target-predittori" è correlata e la coppia esiste proprio perché è correlata.

E sono difficili da trovare)

Gli attributi sono incrementi nel tempo tra altri incrementi nel tempo, o in una serie, solo in ordine, senza tenere conto del tempo. Gli incrementi possono essere considerati sia separatamente, rispetto a quelli precedenti, sia come figura o funzione o modello di incrementi consecutivi. Per trovarli, esploriamo un grafico, una finestra, ma per caratteristiche diverse abbiamo bisogno di dimensioni diverse di questa finestra. L'approccio di Sanych è che dovrebbe essere fatto su ogni nuovo risultato di dati, il vostro è solo su quello identificato come necessario.

Anche le etichette delle classi/risultati di cui abbiamo bisogno, quindi mi sembra di capire che trovare quelle giuste è un compito separato.

Credo di aver capito tutto correttamente)))))?

Dobbiamo definire gli oggetti classificati con i loro attributi. Che cos'è un'operazione di acquisto o di vendita e quali sono i suoi attributi. Come si differenziano.
 
СанСаныч Фоменко #:

Qui non c'è un vantaggio, ma solo la conoscenza degli strumenti disponibili. Un vantaggio si può formare dopo aver padroneggiato gli strumenti disponibili e aver cercato di eliminare le carenze individuate in essi.


Una formulazione assolutamente precisa è possibile in tutti i casi in cui i termini sono supportati dal codice.


Ad esempio, rete neurale è un termine generalizzante senza contenuto specifico.

Ma rete neurale nel pacchetto nnet ha un contenuto assolutamente preciso.

Allo stesso modo, anche il termine "capacità predittiva del predittore", utilizzato da me e da altri autori, è un termine generalizzante, ma "capacità predittiva", intesa come differenza tra le mediane di due vettori ottenuti dividendo il predittore per classi, è assolutamente precisa.

Non ho intenzione di discutere, sono d'accordo sul fatto che tutto il codice sia assolutamente preciso.

Naturalmente, il fatto di non conoscere o di avere livelli diversi di conoscenza degli strumenti non consente una piena comprensione tra i partecipanti. Ma anche i requisiti categorici per studiarli non sono sempre utili per una piena comprensione. Inoltre, l'argomento della disputa/olivario può essere definito con sufficiente precisione.

 
Maxim Dmitrievsky #:
È necessario definire gli oggetti classificati con i loro attributi. Che cos'è un'operazione di acquisto o di vendita e quali sono i suoi attributi. Come si differenziano.

I segni delle operazioni sono i loro risultati, le proprietà delle operazioni sono ancora presenti, ma i segni per prendere una decisione sulle operazioni sono gli incrementi e il tempo (non mi piace il numero di serie).