Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1624

[Evgeny Dyuka]

Kesha Root:

Hmm, "0.5-0.7 segundos de cálculo" é um pouco demais para o MLP, talvez você ensine e depois calcule, em pequenos conjuntos de dados com uma janela deslizante?

Vamos levar isto em ordem:

1 O que são os dados em bruto (ticker(s), prazo)

2 Qual é o tamanho do conjunto de dados de treinamento (1k,10k,100k...)

3 Que tipo de características

4 Quais são os alvos

5 Que tipo de grelha

é o suficiente para começar com...

1. candelabros + indicadores
2. 200-300к
3. Isto é know-how - não partilhar.
4. classificação binária - acima/abaixo
5. Sequência sobre as câmaras

[Кеша Рутов]

Evgeny Dyuka:
1. candelabros + indicadores
2. 200-300к
3. Este know-how - Eu não partilho
4. classificação binária - para cima / para baixo
5.

Quantos recursos?

Sequental não é o tipo de malha, mas a forma como é construída em keras, a estrutura da malha é fina, por exemplo, MLP (em keras apenas camadas de Dence) ou uma mistura de algum tipo, melhor o código da malha aqui

[Vladimir Perervenko]

Kesha Rutov:

Quantos recursos?

Sequental não é o tipo de malha, mas a forma como é montada em keras, a estrutura da malha é tenra, por exemplo, MLP(em keras apenas camadas de Dence) ou uma mistura de algum tipo, melhor o código da malha aqui

Keras tem todas as camadas que estão em fluxo tensor/.

[Evgeny Dyuka]

Kesha Rutov:

Quantos recursos?

A melhor maneira de montar uma malha em keras não é o tipo de malha, mas a estrutura da malha, por exemplo, MLP (em keras apenas camadas de Dence) ou uma mistura delas, melhor codificar a malha aqui

def make_model(arr_size):
  sgd = SGD(lr=0.01, decay=1 e-6, momentum=0.9, nesterov=True)

  res = 2 # количество ответов
  act = "softmax"
  #act = "sigmoid"
  #opt = sgd
  opt = 'adam'

  model = Sequential()

  model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
  model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.3*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.1*k), activation='relu'))
  #model.add(Dropout(dropout))

  model.add(Dense(res, activation=act))

  if res==1:
    ls="binary_crossentropy"
  else:
    ls="categorical_crossentropy"
  model.compile(loss=ls, optimizer=opt, metrics=['accuracy'])
  return model

[Кеша Рутов]

Vladimir Perervenko:

keras tem todas as camadas que o fluxo tensor tem/

Eu sei.

Eu disse que o MLP é apenas camadas densas em keras.

[Кеша Рутов]

Evgeny Dyuka:

código

ESTÁ BEM. Então, MLP.

arr_size-res deve ser grande?

[Evgeny Dyuka]

Kesha Rutov:

Está bem. Então, MLP.

arr_size-res deve ser grande?

arr_size é o número de fichas na entrada, o código é escrito de forma torta, copiado como está, foi escrito para mim

[Кеша Рутов]

Evgeny Dyuka:
arr_size é o número de fichas na entrada, o código é escrito de forma torta, copiado como está, foi escrito para mim

Eu perguntei-te quantas características e tu ignoraste-me.

Proponho uma experiência, pegar a série Eurobucks, dividi-la 70\30%, treinar a primeira peça, gerar o indicador MO na segunda e colocá-la aqui junto com a série de testes.

[Evgeny Dyuka]

Kesha Rutov:

Eu perguntei-te quantas características e tu ignoraste-me.

Proponho uma experiência, pegar a série Eurobucks, dividi-la 70\30%, treinar a primeira peça, gerar o indicador MO na segunda e colocá-la aqui junto com a série de testes.

Eu estava a responder: 250-300 chips

[Rorschach]

Y.I. Zhuravlev. Métodos matemáticos de previsão