Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2454

Novo comentário
 
mytarmailS #:

É só para 5, é um novo pacote , o próprio nome é mt5R

Sim, eu compreendo, só estava à procura de uma optimização multi-objectivo.

A minha função de aptidão simples procura apenas o índice vectorial de um ponto que é um mínimo do ponto de vista do algoritmo.

Portanto, idealmente o algoritmo irá gerar dois índices, estes dois índices serão os índices dos valores mínimos no vetor.

Pensei que não havia diferença na busca por dois mínimos em um vetor ou um mínimo em dois vetores.

A minha simples aptidão física não é um modelo do meu problema, eu só queria fazer a comparação mais simples e óbvia do trabalho do algoritmo para mim

O que faz a sua função de fitness? Conheço todo o código, mas ainda não entendo a essência do código)

Este é o seu exemplo e a sua função de fitness. Há muitos outros métodos para encontrar extrema em vectores. Formule claramente a sua tarefa. Então, uma solução virá até si.

Acabei de mostrar que a sua tarefa não pode ser resolvida com estes pacotes.

Boa sorte.

 
Vladimir Perervenko #:

Este é o seu exemplo e a sua função de fitness. Existem muitos outros métodos para encontrar extrema em vectores. Formule claramente o seu problema. Então a solução virá.

Acabei de mostrar que a sua tarefa não pode ser resolvida com estes pacotes.

Boa sorte em .

A tarefa é comparar dois tipos de otimização multicritério, de forma rápida, simples e clara...

Claro, você pode encontrar o extremo por outros meios, por exemplo, chamar a função min() para um vetor.

Pensei que encontrar o extremo de uma função (encontrar um mínimo num vector) é a coisa certa, para ser honesto, ainda acho que nos desencontramos em algum lugar...

============

Aqui, você pode encontrar o mínimo sem qualquer problema com a genética comum.

set.seed(123)
x <- cumsum(rnorm(100))

fit <- function(i)  x[ floor(i) ] /-1  # (/-1) потому что GA максимизирует
library(GA)
GA <- ga(type = "real-valued", 
         fitness =  fit,
         lower = 1, upper = length(x) , 
         popSize = 50, maxiter = 100)
id <- c(floor(tail(GA@solution,1)))

plot(x,t="l")
points(id,x[id],col=2,lwd=5)


==============================

O que nos impede de fazer o mesmo para a optimização multicritério, estamos apenas à procura de vários pontos em vez de um.

Além do "mco" (genética) era bom nisso, mas o "GPareto" (ótimo gaussiano) não parecia ser o mais inteligente...

 

É incrível como a genética encontra uma solução mesmo com os cenários mais atrofiados.

A população é de 10 indivíduos,

10 iterações,

1 milhão de pontos de dados.

O algoritmo tem apenas 100 tentativas (10*10) para interagir com os dados e encontrar uma boa solução.

simplesmente espantoso.

 
mytarmailS #:

A tarefa de comparar dois tipos de optimização multicritério , rápida, simples e clara...

Adão ou SGD pegam de qualquer pacote MoD
 
Maxim Dmitrievsky #:
Adão ou SGD pegue de qualquer pacote MoD

Queria compará-las, são para optimização multicritério.

adam , mesmo de "qualquer pacote MO" eles definitivamente não são multi-critérios.

não tenho problemas com a escolha dos algoritmos)))) pelo contrário, não é pitão para si)))))

 
mytarmailS #:

A tarefa é comparar dois tipos de otimização multicritério, rápido, simples e claro...

É claro que podemos encontrar o extremo por outros meios, por exemplo, chamar a função min() para um vector, mas não se trata disso

Pensei que encontrar o extremo de uma função (encontrar um mínimo num vector) é a coisa certa, para ser honesto, ainda acho que nos desencontramos em algum lugar...

============

Aqui, você pode encontrar o mínimo sem qualquer problema com a genética comum.


==============================

O que nos impede de fazer o mesmo para a optimização multicritério, estamos apenas à procura de vários pontos em vez de um.

Além do "mco" (genética) era bom nisso, mas o "GPareto" (óptimo gaussiano) não parecia "olá" de todo, embora seja suposto ser o mais intelectual...

Você deve ter uma compreensão errada do termo OPTIMIZAÇÃO MULTICRITERIAL. É a otimização de acordo com vários critérios ao mesmo tempo. Por exemplo: temos uma curva de equilíbrio como resultado da operação da rede neural. Podemos optimizá-lo através de um balanço máximo ou mínimo de levantamento de fundos. E se precisarmos simultaneamente optimizá-lo por equilíbrio e drawdown - será uma optimização multicritério. Você tem um critério - o mínimo de uma função, encontre todos os mínimos desta função e selecione os que você precisa.

Boa sorte.

 
Vladimir Perervenko #:

Você deve ter uma má compreensão do termo OPTIMIZAÇÃO MULTI-CRITERIAL. É a otimização de acordo com vários critérios ao mesmo tempo. Por exemplo: temos uma curva de equilíbrio como resultado da operação da rede neural. Podemos optimizá-lo através de um balanço máximo ou mínimo de levantamento de fundos. E se precisarmos simultaneamente optimizá-lo por equilíbrio e drawdown - será uma optimização multicritério. Você tem um critério - o mínimo de uma função, encontre todos os mínimos desta função e selecione os que você precisa.

Boa sorte.

Compreendo-o, não nos entendemos, mas obrigado pelo esclarecimento...

 
mytarmailS #:

Eu sei que não nos entendemos, mas obrigado pelo esclarecimento...

Eu concordo. De nada.

 
Andrey Dik #:

O valor médio dos pesos das redes neurais tomadas modulo é um indicador da sua qualidade de formação?

Suponha que existem dois neurónios idênticos treinados com os mesmos dados, um neurónio tem um valor de 0,87 e o outro 0,23, qual dos neurónios é melhor treinado?

Quanto mais próxima a resposta média estiver de 1, melhor, é apenas uma questão de prática. Não consigo explicar porquê, mas para mim é um dos principais sinais de um bom modelo.
 
Eu noto que este modelo é mais ou menos universal. Com os mesmos resultados na amostra de teste, o modelo com o maior valor médio de resposta tem um melhor desempenho na vida real.
1...244724482449245024512452245324542455245624572458245924602461...3399
Novo comentário
Razão: