Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2978
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
Hmmm, como ele poderia saber mais sobre isso :)
Acabei de escrever sobre o menor volume de exemplos ruins classificados corretamente devido à sua precisão de classificação.
O código dele é muito difícil de ler, mas, em geral, é possível entendê-lo. Acho que, para sua compreensão pessoal do MO, esse é um incentivo muito bom. E o código reproduzível é muito importante para entender o processo. Especialmente se você quiser criar algo próprio.
Sim, é isso que acontece: anos desperdiçados.
Igor Ashmanov sobre o assistente de voz Alice
Sobre duas abordagens fundamentalmente diferentes para programas de IA.
Finalmente consegui um bom guia sobre casual.
Ele responde à pergunta por que o ML serve apenas para previsão, mas não para causalidade.
O ML é notoriamente ruim nesse tipo de problema de causalidade inversa. Eles exigem que respondamos a perguntas do tipo "e se", que os economistas chamam de contrafactuais. O que aconteceria se eu usasse outro preço em vez do preço que estou pedindo atualmente pela minha mercadoria? O que aconteceria se eu fizesse uma dieta de baixo teor de açúcar em vez da dieta de baixo teor de gordura que estou fazendo? Se você trabalha em um banco, concedendo crédito, terá de descobrir como a mudança da linha de clientes altera sua receita. Ou, se você trabalha no governo local, pode ser solicitado a descobrir como melhorar o sistema de ensino. Você deve dar tablets a todas as crianças porque a era do conhecimento digital lhe diz para fazê-lo? Ou você deve construir uma biblioteca à moda antiga?
No centro dessas perguntas, há uma questão causal para a qual queremos saber a resposta. As perguntas causais permeiam os problemas cotidianos, como descobrir como fazer as vendas aumentarem. Ainda assim, elas também desempenham um papel essencial em dilemas que são muito pessoais e caros para nós: será que preciso estudar em uma escola cara para ter sucesso na vida (a educação causa ganhos)? A imigração diminui minhas chances de conseguir um emprego (a imigração faz com que o desemprego aumente)? A transferência de dinheiro para os pobres diminui a taxa de criminalidade? Não importa o campo em que você esteja. É muito provável que você tenha respondido ou terá que responder a algum tipo de pergunta causal. Infelizmente para o ML, não podemos nos basear em previsões do tipo correlação para resolvê-las.
Finalmente consegui um bom guia casual.
Ele responde à pergunta por que o MO serve apenas para previsão, mas não para pesquisa de causalidade.
Finalmente consegui um bom guia casual.
Acima de tudo, ele parece ser um matstat "desnecessário")
Basicamente, sugere-se que você veja quais métodos são usados, por exemplo, na medicina baseada em evidências e tente aplicá-los à sua tarefa.
Mais parecido com um matstat "desnecessário")
Basicamente, a sugestão é ver quais métodos são usados, por exemplo, na medicina baseada em evidências e tentar aplicá-los à sua tarefa.
Como um dos virints da função de adequação.
A tarefa do AMO é treinar de forma que a previsão baseada no patrimônio líquido da negociação do AMO seja a melhor possível.
Não quero uma bela curva de patrimônio líquido no histórico, mas quero obter uma previsão confiável em negociações futuras...
Previsão com intervalos de confiança, o mesmo teste estatístico...
Usei dois algoritmos para previsão, auto arima e holt.
Aqui você pode ver a área em que a previsão "garante o crescimento" do patrimônio líquido.