Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 544

[Renat Akhtyamov]

Maxim Dmitrievsky:

Existe a possibilidade do seu monitor ser confundido por cores, por vezes difícil de distinguir porque não está calibrado correctamente.

O que você construiu?

Não existe tal coisa.

Lembras-te como eu te disse que a libra está na cor errada na tabela de arbitragem.

O que você construiu é um segredo.

[[Excluído]]

Renat Akhtyamov:

Não existe tal opção.

Lembras-te quando te disse que a libra na tabela de arbitragem era a cor errada.

o que eu construí é um segredo.

Eu tenho todas as cores a condizer.

[[Excluído]]

Não sobre o mercado, mas muito útil e sobre a abordagem geral para construir um modelo de forma eficaz (em qualquer fase algo pode correr mal e nem sequer nos aperceberíamos disso):

[[Excluído]]

Aprendizagem sem professores (clustering) e RL(reforço da aprendizagem). Numa tentativa de reduzir os parâmetros a serem optimizados. Alguém já pensou em como o clustering pode ser aplicado? O segundo é mais complicado, você precisa de pacotes especializados

exemplo: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/

https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/

[Aleksey Terentev]

Maxim Dmitrievsky:

Aprendizagem sem professores (clustering) e RL (reforço da aprendizagem). Numa tentativa de reduzir os parâmetros a serem optimizados. Alguém já pensou em como o clustering pode ser aplicado? O segundo é mais complicado, você precisa de pacotes especializados

exemplo: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/

https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/

Comecei a pensar no reforço da aprendizagem. Parece-me que isto é o que é necessário para as trocas.

[[Excluído]]

Aleksey Terentev:
Estou a começar a pensar no reforço da aprendizagem. Parece-me que é isto que é necessário para as trocas.

Eu também, estou a dominar Python ao mesmo tempo... R é irritante. Havia um artigo antigo sobre a camada Kohonen por o_o, ele escreveu algo sobre plusses e assim por diante sem exemplos e desenvolvimento

https://www.mql5.com/ru/articles/1562

[Aleksey Terentev]

Maxim Dmitrievsky:

Eu também, estou a dominar Python ao mesmo tempo... R é irritante. Havia um artigo antigo sobre a camada Kohonen por o_o, ele escreveu algo sobre plusses e assim por diante sem exemplos e desenvolvimento

https://www.mql5.com/ru/articles/1562

Eu tenho escrito em pluses qt e opennn, francamente falando nada mais do que mlp (opennn) foi desenvolvido lá ainda.
Na verdade, eu posso adicioná-lo como contrapartida ao meu repositório, vou explicar o meu esquema de trabalho.

[[Excluído]]

Aleksey Terentev:
Eu usei qt e opennn, francamente falando, nada foi desenvolvido por mais tempo do que mlp (opennn).
Em geral, eu posso adicioná-lo como contrapartida ao meu repositório, eu explicarei o esquema como ele funciona.

Receio ter de aprender um pouco mais primeiro, ainda não sou muito bom programador :) talvez mais tarde no próximo ano

[Aleksey Terentev]

Maxim Dmitrievsky:

Aprendizagem sem professores (clustering) e RL (reforço da aprendizagem). Numa tentativa de reduzir os parâmetros a serem optimizados. Alguém já pensou em como o clustering pode ser aplicado? O segundo é mais complicado, você precisa de pacotes especializados

exemplo: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/

https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/

O agrupamento é um método interessante também. Penso que deve ser aplicado antes do treinamento de um modelo, porque desta forma os parâmetros que não estão correlacionados serão eliminados.
Eu também tenho isso em mente. Não consigo deitar as mãos a isso.

[[Excluído]]

Aleksey Terentev:
O agrupamento também é um método interessante. Acho que deve ser usado antes do treinamento de um modelo, porque desta forma você pode filtrar parâmetros que não estão correlacionados de forma alguma.
Eu também tenho isso em mente. Não consigo deitar as mãos a isso.

especialmente se utilizarmos o agrupamento multidimensional, podemos tentar alimentar vectores com características e vectores com um desfasamento de, digamos, incrementos... para os dividir em grupos - que características correspondem a que incrementos no futuro

e depois aplicar a este conjunto para treinamento de NS, por exemplo... ou seja, como mineração de dados

Sim, exactamente antes do treino ... ou como uma coisa separada para o TS