L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3317
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
Rimani dove sei. Tutti sono stupidi tranne te, quindi sei tu a rispondere alle domande.
Che cos'è? Cos'è quel rossore laggiù? È rotondo, rosso, laggiù.
Non ho mai visto un grafico del genere.
Finzionalista, stai inventando cose e forzando discussioni su cose che non esistono.
In realtà è normale ottenere un grafico del genere da qualche modello, piuttosto che blaterare qui per anni.
Ho capito bene che per lei l'apprendimento consiste nel trovare la risposta di una funzione senza alcuni dei suoi membri?
Ad esempio, abbiamo osservazioni A+B+C=Y, A e B - come predittori, e C è sconosciuto, conoscendo le risposte (markup) sul campione attraverso l'ottimizzazione selezioniamo la compensazione del valore di C, che può essere espressa attraverso manipolazioni, tra cui la moltiplicazione per coefficienti in caso di NS, o attraverso regole reciproche. In altre parole, c'è un'indagine attiva della funzione per sostituire le variabili mancanti e avvicinarsi alla risposta corretta. Si presume che i risultati del calcolo della funzione nel campione siano sufficientemente rappresentativi da poter essere utilizzati su nuovi dati.
Tuttavia, nel caso dell'ottimizzazione nel tester, possiamo cambiare i valori delle variabili (rappresentandole essenzialmente come funzioni), supponendo di non conoscerle, o addirittura di sapere quali daranno più peso alla nostra funzione compensativa sotto forma di regole che approssimano i valori Y.
Dal momento che sappiamo già che cos'è un insegnante, ora ancora una volta le immagini per Andrew
https://ru.wikipedia.org/wiki/%D0%94%D0%B8%D0%BB%D0%B5%D0%BC%D0%BC%D0%B0_%D1%81%D0%BC%D0%B5%D1%89%D0%B5%D0%BD%D0%B8%D1%8F%E2%80%93%D0%B4%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D0%B8
Ulteriori domande dalla chatGPT.
Max, [26 ott 2023, 18:59:31]:
Come si relaziona il Dilemma dello Spostamento-Dispersione con la ricerca di un minimo globale?
ChatGPT & Midjourney | AI bot, [26 Oct 2023, 18:59:38]:
Il dilemma bias-dispersione si riferisce al problema della selezione dei modelli nell'apprendimento automatico. Indica che all'aumentare della complessità del modello (ad esempio, aggiungendo nuove caratteristiche o aumentando il numero di parametri), si verifica un aumento della varianza (diffusione) delle previsioni del modello, ma potrebbe esserci un bias (errore) verso i modelli più semplici.
D'altra parte, la ricerca del minimo globale si riferisce all'ottimizzazione dei parametri del modello. L'obiettivo è selezionare i valori dei parametri in base ai quali si ottiene il valore minimo della funzione di errore. Tuttavia, con un gran numero di parametri e la complessità del modello, trovare il minimo globale può essere difficile o addirittura impossibile.
Il dilemma bias-dispersione e la ricerca di un minimo globale sono quindi correlati, in quanto la selezione di un modello troppo complesso per un problema di apprendimento automatico può causare un problema di sovrallenamento (elevata varianza), mentre l'utilizzo di un modello troppo semplice può causare un problema di sottoallenamento (elevato bias). Questo può rendere difficile trovare il minimo globale e portare a risultati non ottimali. Pertanto, è importante trovare un equilibrio tra la complessità del modello e la sua capacità di generalizzare i dati per ottenere risultati ottimali.
Max, [26 ott 2023, 19:03:50]:
Il modello ottimale dovrebbe corrispondere al minimo globale in questo caso, o no?
ChatGPT & Midjourney | AI bot, [26 ott 2023, 19:03:54]:
No, il modello ottimale non corrisponde necessariamente al minimo globale. In alcuni casi, soprattutto in presenza di rumore nei dati, il minimo globale può essere raggiunto riqualificando il modello. Un modello di questo tipo può mostrare un'elevata accuratezza sui dati di addestramento, ma generalizzare male i dati a nuovi esempi.
Il modello ottimale dovrebbe invece essere vicino al minimo globale, ma con bassa varianza e bias. Un modello di questo tipo produrrà previsioni stabili e accurate su nuovi dati. Pertanto, nella scelta del modello ottimale è importante considerare non solo l'accuratezza del modello sui dati di addestramento, ma anche la sua capacità di generalizzare a nuovi esempi.
Ho capito bene che lei rappresenta l'apprendimento come la ricerca della risposta di una funzione senza alcuni dei suoi membri?
Ad esempio, abbiamo osservazioni A+B+C=Y, A e B - come predittori, e C è sconosciuto, conoscendo le risposte (markup) sul campione attraverso l'ottimizzazione selezioniamo la compensazione del valore di C, che può essere espressa attraverso manipolazioni, tra cui la moltiplicazione per coefficienti in caso di NS, o attraverso regole reciproche. In altre parole, c'è un'indagine attiva della funzione per sostituire le variabili mancanti e avvicinarsi alla risposta corretta. Si presume inoltre che i risultati del calcolo della funzione nel campione siano sufficientemente rappresentativi, il che consentirà di utilizzare il risultato su nuovi dati.
Tuttavia, nel caso dell'ottimizzazione nel tester, possiamo cambiare i valori delle variabili (rappresentandole essenzialmente come funzioni), supponendo di non conoscerle, o addirittura di sapere quali daranno più peso alla nostra funzione di compensazione sotto forma di regole che approssimano i valori Y.
Non capisco bene la domanda. La prego di chiarire.
Max, [26 Oct 2023, 18:59:31]:
Come si relaziona il Dilemma dello Spostamento-Dispersione con la ricerca di un minimo globale?
ChatGPT & Midjourney | AI bot, [26 ott 2023, 18:59:38]:
Il dilemma bias-dispersione si riferisce al problema della selezione dei modelli nell'apprendimento automatico. Indica che all'aumentare della complessità del modello (ad esempio, aggiungendo nuove caratteristiche o aumentando il numero di parametri), si verifica un aumento della varianza (diffusione) delle previsioni del modello, ma potrebbe esserci un bias (errore) verso i modelli più semplici.
Come si propone di considerare la varianza (diffusione) dell'errore nella classificazione piuttosto che nella regressione?
Max, [26 ottobre 2023, 19:03:50]:
Il modello ottimale dovrebbe corrispondere al minimo globale in questo caso, o no?
ChatGPT & Midjourney | AI bot, [26 ott 2023, 19:03:54]:
No, il modello ottimale non corrisponde necessariamente al minimo globale. In alcuni casi, soprattutto in presenza di rumore nei dati, il minimo globale può essere raggiunto riqualificando il modello. Un modello di questo tipo può mostrare un'elevata accuratezza sui dati di addestramento, ma generalizzare male i dati a nuovi esempi.
Il modello ottimale dovrebbe invece essere vicino al minimo globale, ma con bassa varianza e bias. Un modello di questo tipo produrrà previsioni stabili e accurate su nuovi dati. Pertanto, nella scelta del modello ottimale è importante considerare non solo l'accuratezza del modello sui dati di addestramento, ma anche la sua capacità di generalizzare a nuovi esempi.
Chiedete a GPT: quando si deve interrompere l'addestramento? Non avete ancora risposto a questa domanda.
Non capisco bene la domanda. La prego di chiarire.
Quindi i miei calcoli non sono corretti e la risposta è "no": avete un'idea diversa del processo.