L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3128
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
Significa che il mazzo è stato mescolato male
bias - tradeoff di varianza
Significa che il mazzo è stato mescolato male
bias - tradeoff di varianza
Maxim, tenendo conto delle tue dichiarazioni e della tua conoscenza dei mercati, lascia che ti spieghi cosa significa l'espressione "La coda scodinzola al cane ".
So che questo termine provocherà la sua rabbia e il suo malcontento. A me non fa paura.
Lasciate che vi spieghi.
La coda del cane è il grafico che vedete a sinistra dietro la barra dello zero, ma questo cane sarà a destra.
Il cane deve essere compreso e rispettato come il resto del forum. Allora avrà una possibilità di successo. Leggere libri di psicologia.)))))))
Significa che il mazzo è stato mescolato male
bias - tradeoff di varianza
Questo è il punto: non si può mescolare il mazzo se c'è una deriva dei dati. È necessario prevederla ed eventualmente generare segni che ne tengano conto, se ha un vettore pronunciato e non solo una fluttuazione nell'intervallo.
Qui ho scoperto un interessante algoritmo "Isolation Forest", che teoricamente può catturare anomalie/outlier nel campione per l'addestramento e su nuovi dati.
In teoria, può essere utilizzato per filtrare il campione originale e ignorare i segnali quando arrivano nuovi dati, se questi sono molto diversi da quelli su cui è stato effettuato l'addestramento.
Volete lavorare insieme per capirlo?
Potete leggere di più, ad esempio, qui.
Il punto è che non si può rimescolare il mazzo se c'è una deriva dei dati. È necessario prevederla ed eventualmente generare segni che ne tengano conto, se ha un vettore pronunciato e non solo una fluttuazione nell'intervallo.
Qui ho scoperto un interessante algoritmo "Isolation Forest", che teoricamente può correggere anomalie/outlier nel campione per l'addestramento e su nuovi dati.
In teoria, può essere utilizzato per filtrare il campione originale e ignorare i segnali quando arrivano nuovi dati, se sono molto diversi da quelli su cui è stato eseguito l'addestramento.
Vi piacerebbe lavorare insieme per capire come funziona?
Potete leggere di più, ad esempio, qui.
Bannate già questi pazienti, finalmente )
Se io l'ho trasformato in una discarica in due post, allora tu hai creato un'enorme pattumiera di cui sei responsabile.
Allora andiamo in tema.
In che arco temporale pensi che il Ministero della Difesa sia in grado di fare previsioni di qualità?
Nella fase di definizione del bias rispetto alla sua variabilità, è necessario rimescolare. A questo scopo, si effettua un cross-fitting (analogo alla stabilità secondo Sanych). La variabilità di questo bias può non essere affatto lineare, quindi il problema non può essere risolto con semplici inferenze. Ho imparato a risolverlo parzialmente, ma voglio sempre fare meglio.
Senza individuare la causa, non è produttivo utilizzare diversi metodi popolari. Pertanto, vorrei misurare la variabilità dei dati non in base a modelli, ma a singoli predittori con una comprensione della causa del cambiamento.
Chiudi la bocca.
Mi rendo conto che hai un problema con la capacità predittiva, ma allora cosa stai insegnando alla gente sulla MO?
Diciamo che nell'industria automobilistica ci sono strade su cui MO e hardware possono contare, e nei mercati dietro 0 bar c'è una strada chiara verso tutti i lati dell'orizzonte.
Se TU pensi che restringere o allargare la sezione della coda del cane ti darà un vantaggio. Non è affatto così.
Senza individuare la causa, non è produttivo utilizzare i vari metodi più diffusi. Per questo motivo vorrei misurare la variabilità dei dati non in base ai modelli, ma ai singoli predittori con la comprensione della causa del cambiamento.
Senza individuare la causa, non è produttivo utilizzare i vari metodi più diffusi. Pertanto, vorremmo misurare la variabilità dei dati non in base a modelli, ma a singoli predittori con la comprensione della causa del cambiamento.
È importante utilizzare correttamente il rilevatore. Questa è la base del movimento.
P.s.
Diversi fattori possono fungere da rilevatore, non necessariamente di natura tecnica, ma anche in combinazione con FA, notizie, rumors, ecc.
Se siete interessati, vi darò un suggerimento al momento giusto, naturalmente gratis)))).
Se un utente non è d'accordo con una teoria discussa (o con l'argomento/specifiche di una discussione), e se tale disaccordo si protrae per più di uno/tre messaggi, allora consiglio vivamente di fare quanto segue:
Capisco che fare qualche post in un thread molto popolare e promosso sia più facile che crearne uno da zero e renderlo popolare.
Ma questo è l'unico modo per sviluppare diversi aspetti qui senza "toccarsi".
--------------------
Per informazioni.