Um exemplo simples. Milhares de corridas com diferentes parâmetros VS um treino, incluindo todo o espaço de características. Depois a mesma visualização e análise, eliminando o supérfluo.
Duvido que qualquer MO seja capaz de reengenharia tal TS: ele olha para as áreas mais parecidas com a atual no passado. E se há estatisticamente uma preponderância de mais movimento em alguma direção - é aí que sinalizamos.
Se antes disso, por simplicidade, a busca de segmentos similares é feita não sobre a série de preços, mas sobre uma série de preços transformada, por exemplo ZigZags ou barras são substituídos pela lógica binária: up(0)/down(1). Então a tarefa de reengenharia para MO torna-se bastante complexa.
Falhei... é interessante tentar este tipo de coisa em negócios de exemplo.
há 2 pontos.
Qualquer transformação de preços - ziguezague, etc. é uma abordagem analítica que o MO realmente não se importa. Você pode preencher quaisquer sinais em qualquer quantidade, e depois filtrar os não-informativos para tornar o modelo mais leve. Todos os ziguezagues e assim por diante são apenas uma representação diferente dos mesmos dados.
MO generaliza, portanto, se você der exemplos de onde negociar e onde não negociar, pode funcionar.
O engraçado é que você acha que encontrou algum tipo de padrão através do ziguezague. Mas muito provavelmente é algum tipo de dependência sazonal velada que pode ser descrita de 1.000 e uma maneira. Bem, ou um diferente, se for tiques.
Pode até acontecer que o MO rasgue o seu TS nos seus próprios dados.
Mas eu não estou pronto para brincar com carrapatos até que eu atualize meu laptop
Eu não duvido disso. Mas o MO não reproduzirá o TC com base na descoberta de situações semelhantes no passado.
Por que é tão único? Você treina na história, MO vai puxar as mesmas dependências de outros traços
Você encontrou gatos e cães por algum tipo de exagero, mas eles têm outros traços. Por exemplo, os gatos têm bigodes longos
Eles vão aprender a dizer pelos bigodes e não pelos ouvidos... o que vai mudar
Bem, é uma coisa individual. Teoricamente, não há problema.
Ah bem, aqui está o exemplo do boxplot do artigo. Encontrei padrões estatísticos como no caso que você descreve. Depois treinei os NS em sinais aleatórios para trocar os padrões sazonais e fez melhor. Isto é para entender.
Porque não haverá uma caracterização comparativa de similaridade no MO. Você não pode simplesmente preparar dados para o treinamento, a menos que você saiba antecipadamente em que o TC se baseia.
fxsaber: Não haverá caracterização comparativa de similaridade no MO. Simplesmente não há dados para treinar tais se você não souber antecipadamente em que se baseia o TS.
pode não funcionar. Mas quando os dados já estão preparados, ou seja, há um padrão, então em algum espaço Hilbert os pontos das classes (por exemplo, para comprar e para vender) são bem separáveis, não pode ser de outra forma. MO irá pegar (tentar) tais características para corresponder a eles. Há uma certa magia nisto, porque nem sequer é tão importante conhecer os atributos certos como é marcar correctamente os dados, distinguir os gatos dos cães.
Se houver negócios com o seu timing, pode verificar.
Hipoteticamente, não há problema."Similaridade" será arrancada através de outras características porque a série temporal é a mesma. Praticamente, pode haver dificuldades, por exemplo, a curvatura da mão )
Você tem um conjunto de padrões próximos que generalizam bem. Generalizado através de correlação, o modelo irá generalizar através de uma janela deslizante sobre a história. Entidades semelhantes serão agrupadas e etiquetadas compra/venda/sem comércio.
Agrupamentos semelhantes dentro do modelo terão este aspecto, apenas no espaço multidimensional. Cada agrupamento tem a sua própria etiqueta de compra/venda. É uma tarefa muito simples. É apenas uma generalização.
Maxim Dmitrievsky: Se houver especialistas em modelos generativos, podemos tentar a opção de sacudir a matriz de covariância do modelo GMM. Isto é, não alteram a média e variância da série, mas alteram a matriz de covariância do GMM. A saída deve ser um monte de exemplos com propriedades diferentes.
Como assim?
basta abanar a matriz cov. será aleatório ....
Você precisa saber o propósito - para que é o tremor, qual deve ser o corte final ???
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
Modelos complexos são uma enorme vantagem, mas são necessários alguns anos de vida para chegar até eles, o que já foi passado com sucesso
A biodiversidade é tudo.
A biodiversidade é tudo para nós.
Um exemplo simples. Milhares de corridas com diferentes parâmetros VS um treino, incluindo todo o espaço de características. Depois a mesma visualização e análise, eliminando o supérfluo.
bem, isso é tudo... como ele quer.Duvido que qualquer MO seja capaz de reengenharia tal TS: ele olha para as áreas mais parecidas com a atual no passado. E se há estatisticamente uma preponderância de mais movimento em alguma direção - é aí que sinalizamos.
Se antes disso, por simplicidade, a busca de segmentos similares é feita não sobre a série de preços, mas sobre uma série de preços transformada, por exemplo ZigZags ou barras são substituídos pela lógica binária: up(0)/down(1). Então a tarefa de reengenharia para MO torna-se bastante complexa.
Falhei... é interessante tentar este tipo de coisa em negócios de exemplo.
há 2 pontos.
Pode até acontecer que o MO rasgue o seu TS nos seus próprios dados.
Mas eu não estou pronto para brincar com carrapatos até que eu atualize meu laptop
Pode até acontecer que o MoD rasgue o seu TC com os seus próprios dados.
Eu não duvido. Mas o MO não irá replicar o TC com base na descoberta de situações semelhantes no passado.
Eu não duvido disso. Mas o MO não reproduzirá o TC com base na descoberta de situações semelhantes no passado.
Por que é tão único? Você treina na história, MO vai puxar as mesmas dependências de outros traços
Você encontrou gatos e cães por algum tipo de exagero, mas eles têm outros traços. Por exemplo, os gatos têm bigodes longos
Eles vão aprender a dizer pelos bigodes e não pelos ouvidos... o que vai mudar
Bem, é uma coisa individual. Teoricamente, não há problema.
Ah bem, aqui está o exemplo do boxplot do artigo. Encontrei padrões estatísticos como no caso que você descreve. Depois treinei os NS em sinais aleatórios para trocar os padrões sazonais e fez melhor. Isto é para entender.
o que o torna tão único?
Não haverá caracterização comparativa de similaridade no MO. Simplesmente não há dados para treinar tais se você não souber antecipadamente em que se baseia o TS.
pode não funcionar. Mas quando os dados já estão preparados, ou seja, há um padrão, então em algum espaço Hilbert os pontos das classes (por exemplo, para comprar e para vender) são bem separáveis, não pode ser de outra forma. MO irá pegar (tentar) tais características para corresponder a eles. Há uma certa magia nisto, porque nem sequer é tão importante conhecer os atributos certos como é marcar correctamente os dados, distinguir os gatos dos cães.
Se houver negócios com o seu timing, pode verificar.
Se houver negócios com o seu timing, pode verificar.
O exemplo era hipotético.
O exemplo era hipotético.
Hipoteticamente, não há problema."Similaridade" será arrancada através de outras características porque a série temporal é a mesma. Praticamente, pode haver dificuldades, por exemplo, a curvatura da mão )
Você tem um conjunto de padrões próximos que generalizam bem. Generalizado através de correlação, o modelo irá generalizar através de uma janela deslizante sobre a história. Entidades semelhantes serão agrupadas e etiquetadas compra/venda/sem comércio.
Agrupamentos semelhantes dentro do modelo terão este aspecto, apenas no espaço multidimensional. Cada agrupamento tem a sua própria etiqueta de compra/venda. É uma tarefa muito simples. É apenas uma generalização.
Se houver especialistas em modelos generativos, podemos tentar a opção de sacudir a matriz de covariância do modelo GMM. Isto é, não alteram a média e variância da série, mas alteram a matriz de covariância do GMM. A saída deve ser um monte de exemplos com propriedades diferentes.
Como assim?
basta abanar a matriz cov. será aleatório ....
Você precisa saber o propósito - para que é o tremor, qual deve ser o corte final ???