Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3070
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
Não estou pechinchando. Você me pediu para ensinar - dê-me os sinais, eu ensinarei e testarei. Se o resultado for bom, eu lhe darei o código-fonte.
Se houver sinais normais, não pode haver muitos deles. Não preciso de conjuntos de dados com 6 mil sinais, não tenho tempo para isso
Caso contrário, farei outras coisas.
Não tenho sinais em uma linha - você gastará mais tempo para reproduzi-los em python. É mais lógico testar a eficácia da abordagem em meus dados e depois decidir se devo implementar o código de cálculo do preditor ou não.
Se eu tivesse preditores muito "bons", em relação a outros, não teria pressa em disponibilizá-los publicamente :) Você pode fazer isso: pegue um modelo com um resultado aceitável e, a partir dele, extraia 20 preditores por importância (de acordo com uma das formas de sua definição) no modelo.
Além disso, também estou interessado na eficácia do método proposto em preditores binários - que são segmentos quânticos de preditores, e essa tecnologia não é tão rápida de reproduzir, portanto, uma matriz seria preferível - mas aqui estou interessado no resultado com um grande volume de preditores.
Se algo for interessante, então já poderemos dedicar tempo e esforço para entrar na lógica do cálculo de preditores e sua implementação.
Não tenho recursos em uma linha - você gastará mais tempo reproduzindo-os em python. É mais lógico testar a eficácia da abordagem em meus dados e, em seguida, decidir se devo implementar o código para calcular preditores ou não.
Se eu tivesse preditores muito "bons", em relação a outros, não teria pressa em disponibilizá-los publicamente :) Você pode fazer isso: pegue um modelo com um resultado aceitável e, a partir dele, extraia 20 preditores por importância (de acordo com uma das formas de definição) no modelo.
Além disso, também estou interessado na eficácia do método proposto em preditores binários - que são segmentos quânticos de preditores, e essa tecnologia não é tão rápida de reproduzir, portanto, uma matriz seria preferível - mas aqui estou interessado no resultado com um grande volume de preditores.
Se algo for interessante, então já poderemos dedicar tempo e esforço para entrar na lógica do cálculo de preditores e sua implementação.
Muito abafado. Dê de 10 a 20 exemplos de seus próprios cálculos de características. Você pode ter um com períodos diferentes. Sobre as fórmulas de entrada para calcular os sinais.
Um grande volume de características binárias não será considerado.
alguns dos principais resultados desses 3 mil modelos:
parece que os mesmos "padrões" são encontrados mesmo com diferentes amostras de rótulos. Todos os gráficos são semelhantes. Bem, em outros chips, haverá outras imagens.
Além disso, também estou interessado na eficácia do método proposto em preditores binários, que são segmentos quânticos dos preditores,
É necessário dividir a ficha em 16 quanta (por exemplo) e depois dividir por 16 fichas com 0 e 1?
Onde 1 é se os valores da ficha primária estiverem no quantum necessário e 0 se estiverem em qualquer outro quantum?
Isso é dividir uma ficha em 16 quanta (por exemplo) e depois dividi-la em 16 fichas com 0 e 1?
Onde 1 é se os valores do recurso primário estiverem no quantum necessário e 0 se estiverem em qualquer outro quantum?
A ideia é selecionar alguns segmentos dos 16 que têm potencial. Sobre a codificação, sim, é assim que funciona.
Maxim Dmitrievsky #:
OOS À ESQUERDA DA LINHA PONTILHADA
Muito abafado. Dê de 10 a 20 exemplos de seus próprios cálculos de características. Você pode ter um com períodos diferentes. A entrada é a fórmula para calcular as características.
Não considerarei um grande volume de sinais binários.
alguns dos principais resultados desses 3 mil modelos:
parece que os mesmos "padrões" são encontrados mesmo com diferentes amostragens de tags. Todos os gráficos são semelhantes. Bem, em outros chips, haverá outras imagens.
Experimente os indicadores - há uma biblioteca para python.
Como foi formado o OOS (dados de entrada)?
da maneira clássica, um conjunto de atributos a preços de fechamento
Experimente os indicadores - há uma biblioteca ta para python.
Quais são os seus? apenas perca seu tempo)
A ideia é selecionar alguns segmentos entre os 16 que têm potencial. Sobre a codificação, sim, é isso mesmo.
Então, você pode dividir um recurso em 16 quanta, numerá-los e marcá-los como categóricos. A árvore verificará de forma semelhante cada categoria/quantum (==0 ou ==1 ou ==2 ....). Você também pode colocar quanta desinteressantes em uma categoria.
O resultado será de 1 em 1. Ou quase, às custas do quantum desinteressante, pode ser que a árvore o escolha como o melhor na divisão.
No lado positivo, apenas um chip, cálculos mais rápidos. O tamanho dos arquivos e o consumo de memória serão significativamente reduzidos.
15 anos de OOS
A abordagem acabou sendo curiosa, mas sensível às características mesmo assim. Simplesmente não funciona assim com os repatriados.