Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2560
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
Eu acho que entendo o que eu preciso - a capacidade de definir um arquivo flash personalizado. Mas esta função HMMFit() não suporta esta possibilidade, porque implementa um Baum-Welch com LLH ligado a ele. Você só pode definir alguns parâmetros Baum-Welch
Você precisa de outro pacote onde você pode configurar um f.f. definido pelo usuário.
O engraçado é que ainda não vi nenhum destes pacotes AMO onde se pode usar um FF personalizado...
Ou você define X,Y (data, alvo) ou apenas X (data).
Mas é sempre possível entrar nas "tripas" da AMO e lá movê-los e ver o que acontece em termos de f.f..
Eu treino neurônica desta forma, assim como Forrest, agora eu quero fazer mais SMM.
O engraçado é que eu não vi nenhum pacto como este com o AMO onde você pode usar seu ff...
Ou você define X,Y (data, alvo) ou apenas X (data)
Mas é sempre possível entrar nas "tripas" da AMO e lá movê-los e ver o que acontece em termos de f.f..
O que eu faço, é o meu tipo de hack de vida, treinei neurônios desta maneira, forrest também, agora eu quero fazer mais SMM.
No LightGBM você pode definir o seu próprio, mas na maioria das vezes não existe tal possibilidade.
No LightGBM você pode definir o seu próprio, mas na maioria das vezes não existe essa opção.
Gostaria que eu lhe dissesse novamente que métricas eu uso e por que critérios seleciono os modelos?
Afinal, esta é a coisa mais importante no MO, a questão fundamental :-)
Talvez devêssemos voltar a definições simples e geralmente aceites.
Quanto à definição de estacionariedade - isto é claramente uma abstração, pois ou é um ponto único sem flutuações e então a janela de medição é irrelevante, ou ainda é uma flutuação com uma janela mínima ou com um intervalo de janelas para medir.
A regularidade, por outro lado, pode gerar estacionaridade da mesma forma - pois é o estado de um único ponto e não da sua janela de medição.
Assim, a estacionaridade afeta diretamente a previsibilidade e, portanto, a aprendizagem, se essa estacionaridade tiver informações sobre o alvo.
Como escrevi anteriormente, estou usando precisamente a abordagem de selecionar previsões através da estimativa da sua estacionaridade com uma determinada janela de medição.
No LightGBM você pode definir o seu próprio, mas na maioria das vezes não existe tal possibilidade.
O xgboost também o pode fazer, mas é difícil escrever a sua própria função. Você tem que emitir fórmulas.
http://biostat-r.blogspot.com/2016/08/xgboost.html - 6º parágrafo.
Em relação à definição de estacionariedade - isto é claramente uma abstração, pois ou é um ponto único sem flutuações, e então a janela de medição é irrelevante, ou ainda é uma flutuação com uma janela mínima ou com um intervalo de janelas para medir.
A regularidade, por outro lado, pode gerar estacionaridade da mesma forma - pois é o estado de um único ponto e não da sua janela de medição.
Assim, a estacionaridade afeta diretamente a previsibilidade e, portanto, a aprendizagem, se essa estacionaridade tiver informações sobre o alvo.
Como escrevi anteriormente, só agora estou usando a abordagem de selecionar os precursores através da estimativa da sua estacionaridade com uma determinada janela de medição.
não entenda de todo
statinoir deve ser ruído após a construção do modelo, não é necessário em nenhum outro lugarEu não entendo nada.
Você quer entender?
Tem a certeza que não está a confundir ff com métricas personalizadas?
Não me parece - o exemplo está em python.
ruído estatístico deve ser depois que o modelo é construído, não é necessário em qualquer outro lugar
Certo, é exactamente essa a relação entre o preditor e o alvo de que estou a falar.
Agora, eu não estou ciente de um método para construir um modelo que dê uma estimativa de "estacionaridade" em diferentes intervalos de amostra com divisão ou algum outro mecanismo para combinar preditores. Todos os modelos fazem um ajuste para amostras de parcelas, estimando apenas uma medida quantitativa de melhoria, mas precisamos estimá-la em intervalos, então o modelo pode ser mais robusto.