Discussão do artigo "Metamodelos em aprendizado de máquina e negociação: Tempo original das ordens de negociação"
Não examinei o código, mas apenas pela descrição: parece que o metamodelo será treinado em dados futuros já na segunda iteração. Acho que deveríamos treinar somente com dados anteriores.
O metamodelo é treinado com os mesmos dados que o modelo básico + um pedaço do histórico do passado. Você pode alterá-lo para o futuro. Não há diferença, ele só precisa de um dado que a linha de base não tenha visto.
Estou falando da frase
Сначала необходимо обнулить книгу плохих сделок, если в ней что-то осталось после предыдущего обучения. Затем в цикле задается необходимое количество итераций.
Este livro acumulará informações sobre o futuro. Não é como se ele fosse reiniciado antes de cada treinamento.
Estou falando da frase
Este livro acumulará informações sobre o futuro. Não é como se ele fosse reiniciado antes de cada treinamento.
Que futuro? Há exemplos para o metamodelo.
Quanto mais iterações o modelo básico erra, mais os exemplos ficam mais fortes e caem em "não negociar".
Esses exemplos são os erros do modelo básico, onde ele está errado com mais frequência. Eles devem ser amputados para que não puxem o gradiente para si mesmos.
semelhante à 3ª classe "não negociar", exceto pelo fato de que eles são descartados do classificador, aumentando sua precisão
Pode-se confiar em uma máquina para executar com precisão o algoritmo inserido nela. Não se pode confiar na pessoa que inseriu esse algoritmo nela.
É inerente aos seres humanos estar errado, ser deliberadamente enganoso ou deliberadamente enganar os outros. Todos os trabalhos sobre aprendizado de máquina na ausência de uma teoria normal de mercado são como procurar um relógio sob uma lanterna (de uma anedota). Algoritmos e fundamentos devem ser procurados na mecânica quântica. Se houver interesse, posso explicar.
Desde a época de Pitágoras, tem sido feita uma distinção entre conhecimento comum e secreto. O tópico é muito amplo e abrange a filosofia, a política e a economia. Concretizando essa afirmação em relação à bolsa de valores, prestamos atenção a James Simons. O homem dobrava seu capital todo mês usando seu conhecimento da matemática de espaços multidimensionais. Isso significa que há uma possibilidade real de calcular o comportamento desse espaço multidimensional, ou seja, o campo da bolsa de valores. Vários autores, como, por exemplo, N. Rudyk, "Behavioural Finance", Lars Tweed, "Psychology of Finance", J. Soros,"Alchemy of Finance", atentam para o fato de que o mercado é, antes de tudo, psicologia. A psicologia das massas não é descrita pela distribuição de Gauss, mas pela distribuição de Tsipf-Pareto. A teoria da probabilidade é inaplicável à psicologia devido a um erro nas bases fundamentais dessa teoria. Pergunta: o que é aplicável à psicologia das massas? I. Danilevsky escreveu um bom livro: "Structures of collective unconscious. Realidade social de tipo quântico". Seu significado: o inconsciente coletivo é um campo quântico, que pode e deve ser estudado com o aparato matemático da mecânica quântica.
O conhecimento secreto é secreto porque não está amplamente disponível. Mas, ainda assim, se houver desejo, é possível ir além da trilha bem percorrida e buscar seu próprio caminho.
O conhecimento secreto é secreto porque não está amplamente disponível. No entanto, se a pessoa estiver disposta, pode ir além do caminho comum e encontrar seu próprio caminho.
A explicação deve consistir em fatos verificáveis, e não em um apelo ao conhecimento arcano e a chavões
O aparato teórico da mecânica quântica foi desenvolvido no início do século XX, o uso prático começou 50 anos depois - masers, lasers, etc. Se você não gosta de ler livros inteligentes, isso não significa que não existam tais livros e pessoas que os escreveram. Para você, parece que "o pote vazio é muito mais apreciado". Continue despejando de vazio em vazio.
O aparato teórico da mecânica quântica foi desenvolvido no início do século XX, o uso prático começou 50 anos depois - masers, lasers, etc. Se você não gosta de ler livros inteligentes, isso não significa que não existam tais livros e pessoas que os escreveram. Para você, parece que "o pote vazio é muito mais apreciado". Continue despejando de vazio em vazio.
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Metamodelos em aprendizado de máquina e negociação: Tempo original das ordens de negociação foi publicado:
Metamodelos em aprendizado de máquina: Criação automática de sistemas de negociação com quase nenhum envolvimento humano, o próprio modelo decide como operar e quando operar.
No início desta seção, gostaria de fazer uma pequena observação. Como no processo de desenvolvimento de sistemas de negociação (incluindo o uso de aprendizado de máquina) o pesquisador lida com a incerteza, é impossível explicar rigorosamente o que se busca em última instância. Trata-se de algumas dependências mais ou menos estáveis no espaço multidimensional, difíceis de interpretar em linguagem humana ou mesmo matemática. É difícil realizar uma análise detalhada do que obtemos na saída de sistemas de autoaprendizagem altamente parametrizados. Tais algoritmos exigem um certo grau de confiança nos resultados de backtest, mas não esclarecem a própria essência ou mesmo a natureza do padrão detetado.
Queremos escrever um algoritmo que seja capaz de analisar e corrigir seus próprios erros, melhorando iterativamente seus resultados. Para isso, propõe-se pegar um agrupamento formado por dois classificadores e treiná-los seguidamente, como sugerido no esquema abaixo. A seguir, veremos uma descrição detalhada da ideia e uma explicação do esquema.
Cada um dos classificadores é treinado em seu próprio conjunto de dados, que possui tamanhos diferentes. A linha horizontal azul representa a profundidade condicional do histórico para o metamodelo e as linhas laranja para o modelo base. Em outras palavras, a profundidade do histórico para um metamodelo é sempre maior que para o modelo base e é igual ao intervalo de tempo estimado (teste) em que a combinação desses modelos será testada.
Autor: Maxim Dmitrievsky