Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 888

 
Aleksey Vyazmikin:

Por isso, vou levar apenas aqueles que têm alto apoio e confiabilidade. É assim que eu vejo o trabalho - eu crio preditores no indicador em tempo real e no histórico, adiciono-os a uma string, e então essa string é pesquisada no array, se for encontrada, então marcamos a barra como favorável para entrar, e se não, não fazemos nada. Assim, as cordas dobradas só irão aumentar o conjunto. É claro que podemos fazer uma gradação por cor, com informação sobre fiabilidade e suporte (multiplicando um pelo outro obtemos o coeficiente, que mudará de cor dependendo do valor), mas para isso é mais fácil fazer apenas um conjunto separado de tipo int com índice. Ou talvez eu não entenda algo....

Teoricamente - se NS alimentar todos sem peneirar as cordas inválidas, ela própria deve encontrá-las e aumentar a sua importância. Mas é claro que pode fazê-lo você mesmo, como descreveu. Ao mesmo tempo, é interessante e comparativo - o que é melhor.

Embora existam exemplos de cordas sonoras nos artigos.
 
Aliosha:

Eu concordo, Python é a GPU mais alta para HFTs, eles são os que têm erro negativo, eu mencionei acima, eles também pesquisam enredamento quântico lá para transmitir o sinal mais rápido que a luz, há bibliotecas em Python também, na escuridão.

não precisas de dizer disparates outra vez, mostra o teu nível

 
Aliosha:

Estou apenas brincando com cerca de 90% dos ahtungs, não leve a sério, python é uma linguagem estudantil, para rapidamente tentar um monte de bíblias e desenhar gráficos, por exemplo, para reforçar o curso de Vorontsov, e "pesquisa" é apenas para estudantes de pós-graduação ou algo distante da realidade, Em empresas sérias todas as ferramentas são escritas em C++, mais da metade dos algoritmos são exclusivos ou modificados bem conhecidos, os problemas são muito específicos e altamente especializados, que não requerem parâmetros de execução de 100500 bibliotecas, por isso o Python está presente em quantidades vestigiais.

Aleshenka, vá mais longe dominando o MO, sobre C++ api e Cython e migração de modelos e módulos individuais e implantação em servidores após pesquisa/treinamento você não ouviu falar?

E sem um erro negativo na tentativa de prever retornos, não voltem a aparecer. Você está ficando muito frustrado - você é muito arrogante e muito pouca informação útil.

 
elibrarius:

Teoricamente, se a NS buscar todas as cordas sem as preliminares inválidas, ela deve encontrá-las e aumentar a sua importância. Mas é claro que o pode fazer você mesmo, como descreveu. Ao mesmo tempo, é interessante comparar o que é melhor.

Embora haja exemplos nos artigos com o rastreio de cordas ruidosas.

Em geral, não entendo bem como organizar a NS, se se tomam dados da história, teoricamente, de qualquer ponto... Mas com uma árvore/floresta, tudo é mais fácil, eles não analisam o histórico, então eles precisam inserir um número limitado de variáveis, e os resultados de saída já são conhecidos, e eu os escrevi em um array; após o treinamento, a árvore não pode criar algo novo, mas a rede neural pode reagir a novos dados de diferentes maneiras, Uma vez que ele insere pesos (coeficientes) e eles são constantes para cada neurônio, mas se eu tiver 10 ou mais neurônios, e para cada um deles um coeficiente diferente, então algo acaba sendo muitas escolhas - a rede obviamente não pode treinar por todas as variantes, então ela pode ter surpresas diferentes, ou eu não entendo algo.

E eu fiz um indicador, mas a enumeração do array não é muito rápida e o código em si é muito lento - eu preciso de otimização.

 
Aleksey Vyazmikin:

Em geral, não entendo bem como organizar a NS, se se tomam dados da história, teoricamente, de qualquer ponto... Mas com uma árvore/floresta, tudo é mais fácil, eles não analisam o histórico, então eles precisam inserir um número limitado de variáveis, e os resultados de saída já são conhecidos, e eu os escrevi em um array; após o treinamento, a árvore não pode criar algo novo, mas a rede neural pode reagir a novos dados de diferentes maneiras, Uma vez que ele insere pesos (coeficientes) e eles são constantes para cada neurônio, mas se eu tiver 10 ou mais neurônios, e para cada um deles um coeficiente diferente, então algo acaba sendo muitas escolhas - a rede obviamente não pode treinar por todas as variantes, então ela pode ter surpresas diferentes, ou eu não entendo algo.

Eu criei um indicador mas a pesquisa de array não é muito rápida e o próprio código é muito lento - eu preciso de otimização.

A NS usa a mesma tabela com dados, sem diferença com a floresta. Só os algoritmos são diferentes por dentro.

 
elibrarius:

A mesma tabela de dados é alimentada pela NS - não há diferença para a floresta. Só os algoritmos são diferentes por dentro.

Então porque é que a NS olharia para a história durante o treino se não a utiliza durante a operação?

 
Aliosha:

Não ouvi, claro, o que me importa, agora vou saber que a coisa mais legal não é python api para bíblias, mas vice-versa, c++ api para python, com deployment em servidores. continuar a queimar))))

O mercúrio no termómetro do seu sarcasmo encolheu numa bolha e simplesmente explodiu, ou expandiu tanto que explodiu da estupidez e baba de cima, o que quer que seja.

api para estruturas em diferentes idiomas, incluindo píton e ++

ou ligaste-o, ou é apenas triste?

 
Aliosha:

De jeito nenhum! Minhasandanças aleatórias são uma previsão tão íngreme quanto forex! 90% acurasi se sem reconversão, e 100% com reconversão.

Whoo! Os nativos parecem estar começando a ter a idéia de que o supertreinamento não só não é fatal, mas, em muitos casos, até mesmo o melhor).

 
Maxim Dmitrievsky:

bem, aqui está um terrível excesso de roupa, mas ainda comercializável na primeira parte :) Podia fazer ainda pior, mas não vale a pena. O dinheiro está algures no meio entre o excesso e a falta de roupa.

O dinheiro está em todo o lado, excepto por baixo. É apenas uma questão de aplicação.

 
Aleksey Vyazmikin:

Então porque é que os NS olhariam para a história em treino se ela não a usa no seu trabalho?

Durante o treinamento, ele obteve pesos e compensações para os neurônios e, de acordo com eles, calcula a saída em novos dados.