Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2661
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
Alguém tem um robô de negociação em python?
Para robôs de ML...
Artigo interessante https://pair-code.github.io/understanding-umap/
Qual é a graça disso?
E qual é a graça disso?
Bem, meu ponto principal é que é muito difícil reconhecer algo com uma decomposição "humap".
Por exemplo, para que um algoritmo de reconhecimento perceba que duas pernas dianteiras são uma classe de "perna dianteira".
você precisa fazer muitas transformações...
1) dividir os componentes "unmap" em partes (clusters); é improvável que o "dbscan" consiga lidar com isso corretamente (para essa tarefa).
2) variação das pernas dos mamutes por tamanho para que haja invariância (omitiremos essa etapa aqui)
3) correspondência correta das pernas entre si de acordo com um algoritmo desconhecido + centralização
4) rotação das pernas para uma posição mais correta
5) espelhamento dos pés para uma posição mais correta
6) agora precisamos alinhar as pernas e remover as principais distorções. Acho que é possível decompor as pernas pelo método dos componentes principais e remover o primeiro componente principal delas, o que, em teoria, deve remover as principais distorções (não ilustrei isso).
7) E só então você poderá medir a distância/proximidade entre as pernas para perceber que elas são semelhantes e podem ser classificadas como uma única classe "pernas dianteiras".
Bem, meu ponto principal é que é muito difícil reconhecer algo com uma decomposição "yumap".
Por exemplo, para que o algoritmo de reconhecimento perceba que duas pernas dianteiras são uma classe "perna dianteira".
você precisa fazer muitas transformações.
Pobre elefante.
Eu também já sou como esse elefante, com uma cabeça quadrada)))
Eu mesmo já sou como esse elefante, com uma cabeça quadrada)))
Sim, em teoria tudo está claro, por exemplo, onde estão suas pernas e onde está sua cabeça, mas para o algoritmo nada está claro, apenas um conjunto de pontos.
O mesmo acontece com os sinais para os bots.
Sim, em teoria tudo é claro, por exemplo, onde estão suas pernas e onde está sua cabeça, mas para o algoritmo nada é claro, apenas um conjunto de pontos
o mesmo acontece com os recursos para bots.
É por isso que precisamos de invariância no sentido mais amplo, como na visão computacional, para que o próprio algoritmo possa segmentar, expandir, estreitar, girar, distorcer e só então comparar.
https://robwhess.github.io/opensift/
https://www.analyticsvidhya.com/blog/2019/10/detailed-guide-powerful-sift-technique-image-matching-python/#:~:text=SIFT%20helps%20locate%20the%20local,detection%2C%20scene%20detection%2C%20detection%2C%20etc.o mesmo acontece com as características dos bots.
Exatamente! Não estou preocupado com o elefante.
.
Sim, eu me pergunto.
O exemplo mostra um modelo de um elefante, mas se essas peças forem usadas para fazer um camelo, provavelmente não funcionará.
---
Há modelos semelhantes nas tabelas de mercado o tempo todo: "elefantes", "camelos", "coelhinhos". Mas todos eles são de tamanhos diferentes. Mas os padrões são reais e se repetem o tempo todo.
Na minha idade, é difícil me aprofundar em processos analíticos tão complexos como o dos elefantes, mas posso dizer que é interessante.
Sim, é interessante.
O exemplo mostra um modelo de elefante, mas se você fizer um camelo com essas partes, provavelmente não funcionará.