Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1050
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Apenas para lembrar que Aleshenka e Koldun (parecem ser os únicos aqui que têm algum sucesso no comércio em redes neurais)
Alguma prova disso?
Alexander_K:
Tempo muito longo para preparar os dados de entrada.
É uma espécie de padrão, até um novato em MO diria que "lixo na entrada é lixo na saída".
Eu deliberadamente, com as minhas mensagens, provoquei o seu feedback :)))) Ai de mim, mantém esse segredo...
))) engraçado
Você tem alguma prova?
Eles quase sempre apagam seus posts, você só tem que se comunicar com eles online.
Eles quase sempre apagam seus posts, você só tem que se comunicar com eles online.
Ahh, bem, isso faz sentido então...
Eles quase sempre apagam seus posts, você só tem que se comunicar com eles online.
Eles apagam as suas mensagens para não se envergonharem) e você mantém mitos sobre eles
Eles os apagam para não se envergonharem) e você mantém mitos sobre eles.
Talvez sim, Max - sem argumentos :))
E Reshetov? Bem, sim, ele está familiarizado com o MSUA, ele disse-o uma vez.
A própria ideia de enumerar preditores, criar modelos e depois criar modelos a partir de modelos de complexidade crescente é, na minha opinião, muito correcta.
Mas talvez seja um erro procurar não por preditores, mas por soluções de sistemas de negociação num ambiente ou outra coisa...
Mas construir modelos uns em cima dos outros, empilhar ou outra coisa é, imho, demasiado. Porque se eles estão realmente aprendendo lixo, isso não vai ajudar, são algumas frações de melhoria percentual que não significam nada.
Não há erro, apenas não há padrões consistentes )
A propósito, ao mexer no software Reshetov, seja a partir do nome do subdiretório da biblioteca do programa ou de onde eu me deparei
http://www.gmdh.net/gmdh.htm
por isso deve ser o mesmo. Há apenas a libs em Java e o seu programa também.
E então ele tem um tandem de 2 classificadores - SVM e MLP, que são treinados iterativamente sobre características transformadas. É por isso que demora tanto tempo para que tudo funcione.
Mas construir modelos uns sobre os outros, empilhar ou outra coisa é, imho, exagero. Porque se eles estão realmente aprendendo lixo, isso não ajuda, são algumas frações de melhoria percentual, o que não significa nada.
Não torne algo mais complicado de algo mais primitivo, é um princípio natural, nós derivamos do esperma)) ou de uma idéia se você olhar ainda mais longe). E agora estamos todos crescidos)
Então não há nada de errado em complicar o modelo, além disso, a complicação é verificada por critério externo e interno, o erro dentro e fora da amostra é medido, se o erro aumenta com a complicação, o algoritmo pára ... Ainda não o usei, mas o método atrai-me muito.
Não para tornar algo mais complexo de um mais primitivo, é um princípio da própria natureza, somos descendentes de espermatozóides)) ou do pensamento se você olhar ainda mais longe...)
Portanto, não há nada de errado em complicar o modelo, além disso, a complicação é verificada por critérios externos e internos, ou seja, o erro dentro e fora da amostra é medido... em suma, eu mesmo não o apliquei, mas o método me atrai muito
tomamos uma matriz habitual com atributos, a cada iteração adicionamos um novo atributo composto de todos os atributos, reeducamo-nos, alteramos este atributo para um mais complexo através do polinómio Kolmogorov, reeducamo-nos cinco vezes... até o erro cair
mas na prática, isso não vai acontecer com dados barulhentos.
se o erro ainda for mau, pegue todos estes sinais polinomiais e use-os para criar novos sinais :) mas você precisa de uma rede neural muito rápida ou de um modelo linear, caso contrário você terá que esperar um ano
ou ainda mais fácil - pegue SVM kernelizada ou NN profunda e obtenha o mesmo resultado (simplesmente adicionando camadas na rede neural você pode obter exatamente o mesmo resultado que em traços transformados), ou seja, milagres acontecem
Diz que a GMDH é o primeiro análogo do NN profundo
Tomamos uma matriz ordinária com atributos, a cada iteração adicionamos um novo atributo composto de todos os atributos, reeducamo-nos, alteramos este atributo para um mais complexo através do polinômio Kolmogorov, reeducamo-nos cinco vezes... até que o erro caia
mas na prática, isso não vai acontecer com dados barulhentos.
se o erro ainda for mau, pegue todos estes sinais polinomiais e use-os para criar novos sinais :) mas você precisa de uma rede neural muito rápida ou um modelo linear, caso contrário você terá que esperar por um ano
ou ainda mais fácil - pegue SVM kernelizada ou NN profunda e obtenha o mesmo resultado (simplesmente adicionando camadas na rede neural você pode obter exatamente o mesmo resultado que em traços transformados), ou seja, milagres acontecem
Diz que a GMDH é o primeiro análogo do NN profundo
Talvez sim, não vou discutir ou talvez não))) Vou apenas acrescentar que o trader com um super robô que usou GMDH não aplicou um polinomial em testes mas sim a série Fourier (harmônica) e como sabemos a análise do espectro de Fourier não é aplicável aos mercados financeiros porque foi projetada para funções periódicas, mas mesmo assim funcionou e é parecido) Então, diabos saibam, devemos tentar tudo...
e mesmo assim funcionou para o homem, e como.
Há uma continuação da história?
Observei que se um sistema de trading dá apenas resultados positivos, então haverá uma perda permanente - estamos falando de TS com lote fixo e stoplosses