Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1477
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 também tenho uma ideia de como cortar o preço.
Pegamos num preço e agrupamo-lo em, digamos, 10 clusters, treinamos a rede, vemos o erro...
Depois largamos um aglomerado, digamos o décimo, treinamos a rede novamente e vemos o erro. E assim tentamos todas as combinações até encontrarmos algo interessante... No final, pode acontecer que apenas 1,3,9 clusters devam ser deixados na série para fazer boas previsões.
Eu também tenho uma ideia de como cortar o preço.
Pegamos num preço e agrupamo-lo em, digamos, 10 clusters, treinamos a rede, vemos o erro...
Depois largamos um aglomerado, digamos o décimo, treinamos a rede novamente e vemos o erro. E assim tentamos todas as combinações até encontrarmos algo interessante... Afinal, podemos descobrir que devemos manter apenas 1,3,9 clusters na fila para fazer boas previsões.
Uma analogia é atirar folhas para fora da árvore, como fez o Alexei.
Mas o problema é que 1 árvore é sempre pior que 100-200 árvores em uma floresta.
Uma analogia - atirar folhas para fora da árvore, como Alexei
Não, isso é diferente...
Deitar fora as folhas está a mudar as regras na árvore de decisão que prevê o processo
Estou a sugerir mudar o processo em si
Não é uma merda, é só uma piada).
Koldun começa mais quatro meses de férias, enquanto o professor continua a arar em "levantar a sua imagem". Que pio))) hilariante...
Também surgiu uma ideia de como cortar o preço.
A dimensionalidade pode ser diminuída de muitas maneiras, seria uma boa ideia. O exemplo mais simples. Preto fino - cloze, pontos azuis
intersecções, vermelho - uma tentativa primitiva de reconstruir o vr original a partir dos pontos syn.dots. Há muitos métodos de recuperação.
Você pode julgar a "qualidade do desbaste" pela simplicidade da função utilizada para a reconstrução. Mais simples é melhor...
A analogia é atirar folhas de uma árvore, como o Alexei.
Mas o problema é que 1 árvore dá sempre resultados piores do que 100-200 árvores na floresta.
Não atirar fora, mas a abater. É como montar diferentes mini-estratégias em uma grande piscina. E depois ou a decisão colegial ou dar a cada folha um lote fixo, que é o que estou a fazer agora.
Deixar cair as folhas significa mudar as regras na árvore de decisão que prevê o processo.
Porque é que as regras mudariam? Não, apenas remove aquelas folhas que estão mais confiantes nos seus resultados, às custas daqueles que gostariam de fazer qualquer previsão para o bem do sistema. Em outras palavras, uma árvore pode não ter apenas uma solução para uma situação, mas quando centenas de árvores diferentes são utilizadas e uma seleção é feita sobre elas, a chance de não ter uma solução para a situação torna-se insignificante.
Wizard começa mais 4 meses de férias, o professor continua a arar em "para elevar a imagem". Que história engraçada)))) hilariante...
já estás a falar de ti na terceira pessoa, estás totalmente excêntrico.) A imagem está bem.
A dimensionalidade pode ser reduzida de diferentes maneiras para que funcione. O exemplo mais simples. Preto fino - cloze, pontos azuis -
e vermelho - uma tentativa primitiva de restaurar a imagem inicial nos pontos syn.dots. Há muitos métodos de recuperação.
Você pode julgar a "qualidade do desbaste" pela simplicidade da função utilizada para a reconstrução. Mais simples é melhor...
Obrigado, isso é interessante! Existem nomes científicos em "desbaste" e "funções de recuperação" ? seria interessante ler sobre isso
Porque é que as regras estão a mudar? Não, eles simplesmente eliminam aqueles que estão mais confiantes nos seus resultados, às custas daqueles que se queixam de qualquer previsão para o bem do sistema. Em outras palavras, uma árvore pode não ter apenas uma solução para uma situação, mas quando centenas de árvores diferentes são utilizadas e uma seleção é feita sobre elas, a chance de não ter uma solução para a situação torna-se insignificante.
Bem, isto é uma mudança de regra, não importa como você gire, e em que direção ela mudou é outra questão.
Quando olho para o teu desenho com o cruzamento das carroças fico espantado com o quão fixe e muitas vezes o preço gira nos cruzamentos, mas na direcção oposta)) contra os sinais da multidão.
Mas é claro que nem sempre funciona devido à variabilidade das propriedades do mercado, eu preciso de um indicador adaptativo. E tenho uma ideia se podemos ensinar NS a adivinhar os períodos de tempo "certos" no modo de tempo real para apanhar reversões com precisão?
Quem tem idéias sobre o alvo e quais parâmetros de preço devem ser tomados como preditores?
Bem, é um clássico, já escrevi acima quando se trata de prever o melhor das características e resultados da TC (Equidade/Pnl...).
Se "diretamente", o princípio é o mesmo que com os retornados ou volos, para cada amostra, dividir a amostra em "antes" e "depois" por algum preço(t) de ponto móvel, calcular quaisquer valores para {price(t-N),price(t)} e valores-alvo {price(t+1),price(t+K)} e correr t através de toda a série. Neste caso, os alvos serão os ótimos ondulantes em {price(t+1),price(t+K)} em alguma janela no futuro, e as características podem ser basicamente qualquer coisa, desde estocásticos ou momentos de períodos diferentes, a ondulação de ótimos ou outros TCs sobre o período anterior{price(t-N),price(t)}.
Que versão do JPrediction você está usando?
14 ao que parece.