Para criar um double real, você precisa de tipos de dados algébricos. Ainda não vi sua implementação no R e a otimização genética não funcionará com eles( não está claro que tipo de otimização funcionará com eles).
Não sei quanto a você, mas estou fascinado por esse algoritmo... Como as variáveis simples na parte inferior se somam a expressões grandes e complexas na parte superior, uma hierarquia, assim como na natureza....
Para criar um double real, você precisa de tipos de dados algébricos. Ainda não vi sua implementação no R e a otimização genética não funcionará com eles( não está claro que tipo de otimização funcionará com eles).
Bem, sim, há limitações, porque cada dígito do GP é um elemento separado na lista, portanto, se houver muitos deles, haverá problemas(( , mas você pode sair dessa situação, como mostrei
Não sei quanto a você, mas estou fascinado por esse algoritmo... Como as variáveis simples na parte inferior se somam a expressões grandes e complexas na parte superior, uma hierarquia, assim como na natureza....
Como ele é melhor que o MSUA? Você pode ficar fascinado por qualquer coisa, desde que seja útil).
Maxim Dmitrievsky #: Como isso é melhor do que o MSUA? Você pode ficar fascinado por qualquer coisa, desde que seja bom para você).
Bem, é diferente.
A regressão simbólica é uma estrutura na qual você pode implementar qualquer lógica, só que é conveniente porque você não precisa escrevê-la sozinho....
E essa implementação de regras, sim, é muito semelhante à mgua - geração de recursos + seleção de recursos + criação de modelo
Tudo em um, como o mgua.
Bem, se você comparar essa implementação específica com o mgua:
O MGUA não consegue lidar com um grande número de recursos, pois é um exagero completo.
Isso é ruim, mas o mgua encontra a melhor solução garantida, o que é bom.
A regressão simbólica é uma estrutura na qual você pode implementar qualquer lógica, o que é conveniente porque você não precisa escrevê-la sozinho....
E essa implementação de regras, sim, é muito semelhante à mgua - geração de recursos + seleção de recursos + criação de modelo.
Tudo em um, como o mgua.
Bem, se você comparar essa implementação específica com o mgua:
O MGUA não consegue lidar com um grande número de recursos, pois é um exagero completo.
Isso é ruim, mas o mgua encontra a melhor solução garantida, o que é bom.
Nessa implementação, é exatamente o oposto
Ah, sim, é um exagero genético e provavelmente há esquemas padrão para combinar características.
Suponhamos que queiramos descrever um padrão de cabeça e ombros (vamos supor que esse padrão exista) , nosso algoritmo analisa os últimos pontos H, digamos 7, como no exemplo
O retângulo verde mostra o escopo do algoritmo. Os últimos H-points, neste exemplo, 7 peças.
Os dados nesse formato são processados, alimentados no AMO etc., janela deslizante etc. Todos sabem disso...
Se descrevermos a regularidade por regras, será algo como x[1] < x[2] & x[2] > x[3] etc.....
Mas, na realidade, o mercado muda, se estende/encolhe, as amplitudes mudam, etc.....
Aqui está a realidade do mercado, e todos nós olhamos para os últimos 7 pontos e esperamos que nossa regra x[1] < x[2] & x[2] > x[3]... funcione )).
Como você pode ver, há um padrão, ele não foi a lugar algum, mas nosso GPT-5 de 10 camadas não verá nada).
Conclusões: todos os algoritmos de AMO "prontos para uso" funcionam com dados tabulares, ou seja, todos os algoritmos estão procurando padrões com vinculação rígida a índices, mas isso não funciona....
1) É necessário buscar algoritmos como regras associativas, que estão vinculadas a eventos, sequência de eventos, mas não estão vinculadas a índices.
2) Ou projetar nós mesmos as regras corretas e criar modelos a partir delas
3) Ou usar para o AMO a representação de dados usada para algoritmos de regras/sequências associativas, mas o número de recursos será de bilhões.
mytarmailS #: O que você quer dizer com isso? Há uma otimização contínua que é dupla e uma otimização discreta que é inteira. Ou não estou entendendo?
O GP é discreto, por isso há problemas com o duplo
Escrevi lá sobre tipos de dados algébricos. Eles generalizam tipos de dados complexos, como listas e árvores. Eles combinam uma estrutura discreta complexa e um conjunto de números reais armazenados nessa estrutura (que acaba sendo de tamanho não fixo). Assim, temos que combinar de alguma forma a otimização discreta na estrutura e a otimização contínua nos números armazenados nela. Não tenho a menor ideia de como fazer isso, pelo menos teoricamente.
Isso é melhor?
=====================
Você pode complicar ainda mais as expressões
Sim, a lista é uma boa ideia.
Para criar um double real, você precisa de tipos de dados algébricos. Ainda não vi sua implementação no R e a otimização genética não funcionará com eles( não está claro que tipo de otimização funcionará com eles).
Não sei quanto a você, mas estou fascinado por esse algoritmo... Como as variáveis simples na parte inferior se somam a expressões grandes e complexas na parte superior, uma hierarquia, assim como na natureza....
Sim, a lista é uma boa ideia.
Para criar um double real, você precisa de tipos de dados algébricos. Ainda não vi sua implementação no R e a otimização genética não funcionará com eles( não está claro que tipo de otimização funcionará com eles).
Bem, sim, há limitações, porque cada dígito do GP é um elemento separado na lista, portanto, se houver muitos deles, haverá problemas(( , mas você pode sair dessa situação, como mostrei
Não sei quanto a você, mas estou fascinado por esse algoritmo... Como as variáveis simples na parte inferior se somam a expressões grandes e complexas na parte superior, uma hierarquia, assim como na natureza....
Como isso é melhor do que o MSUA? Você pode ficar fascinado por qualquer coisa, desde que seja bom para você).
Bem, é diferente.
Um pouco sobre invariância a eventos
Suponhamos que queiramos descrever um padrão de cabeça e ombros (vamos supor que esse padrão exista) , nosso algoritmo analisa os últimos pontos H, digamos 7, como no exemplo
O retângulo verde mostra o escopo do algoritmo. Os últimos H-points, neste exemplo, 7 peças.
Os dados nesse formato são processados, alimentados no AMO etc., janela deslizante etc. Todos sabem disso...
Se descrevermos a regularidade por regras, será algo como x[1] < x[2] & x[2] > x[3] etc.....
Mas, na realidade, o mercado muda, se estende/encolhe, as amplitudes mudam, etc.....
Aqui está a realidade do mercado, e todos nós olhamos para os últimos 7 pontos e esperamos que nossa regra x[1] < x[2] & x[2] > x[3]... funcione )).
Como você pode ver, há um padrão, ele não foi a lugar algum, mas nosso GPT-5 de 10 camadas não verá nada).
Conclusões: todos os algoritmos de AMO "prontos para uso" funcionam com dados tabulares, ou seja, todos os algoritmos estão procurando padrões com vinculação rígida a índices, mas isso não funciona....
1) É necessário buscar algoritmos como regras associativas, que estão vinculadas a eventos, sequência de eventos, mas não estão vinculadas a índices.
2) Ou projetar nós mesmos as regras corretas e criar modelos a partir delas
3) Ou usar para o AMO a representação de dados usada para algoritmos de regras/sequências associativas, mas o número de recursos será de bilhões.
Não está claro que tipo de otimização funcionará com eles
Sobre o poder da diversificação
Digamos que temos uma UC que não está rendendo muito bem, não está nem um pouco bem.
Essa é sua curva de rendimento.
Na verdade, é um ruído aleatório com uma tendência muito fraca adicionada, a tendência é tão pequena que não é visível ao olho no ruído.
Aqui está a tendência.
Essa é uma estratégia que não permitiremos que seja negociada).
Mas e se tivermos 100 dessas estratégias não correlacionadas que são negociadas simultaneamente em uma conta?
Isso não é muito bom. E se tivermos 1.000 estratégias?
E 100 mil estratégias?
Isso é muito legal.
É possível gerar tantas estratégias com o MO? ....
O que você quer dizer com isso? Há uma otimização contínua que é dupla e uma otimização discreta que é inteira. Ou não estou entendendo?
Escrevi lá sobre tipos de dados algébricos. Eles generalizam tipos de dados complexos, como listas e árvores. Eles combinam uma estrutura discreta complexa e um conjunto de números reais armazenados nessa estrutura (que acaba sendo de tamanho não fixo). Assim, temos que combinar de alguma forma a otimização discreta na estrutura e a otimização contínua nos números armazenados nela. Não tenho a menor ideia de como fazer isso, pelo menos teoricamente.