Discussão do artigo "Desenvolvimento de robô em Python e MQL5 (Parte 1): Pré-processamento de dados" - página 3

Novo comentário
 
Maxim Dmitrievsky #:

Então, o preço deve ser pseudoestacionário. Isso não é observado em mercados de tendência.

Certo, vamos prever os incrementos. Então, vamos pegar os incrementos dos incrementos. Eles são pseudoestacionários?

Entretanto, se aprendemos a prever os incrementos, isso significa que aprendemos a prever sua derivada - o preço?

[Excluído]  
fxsaber #:

Sou um zero à esquerda em MO, por isso estou confiando no artigo.

Se entendi corretamente, um autômato é um campo mais amplo de escolhas humanas. Se um ser humano pode escolher um valor cumulativo, então um autômato pode escolher ainda mais.

A questão é que todos os recursos inseridos no modelo devem ser pseudoestacionários, caso contrário, o modelo não funcionará corretamente com novos dados. Essa é uma limitação do classificador.

Os dados devem ser representados em uma classificação de valores que persista nos novos dados. Se essa condição não for atendida, o modelo se manterá nos valores de limite ao sair desse intervalo.

Por exemplo, prever sempre 0 ou sempre 1.
[Excluído]  
fxsaber #:

Certo, vamos prever os incrementos. Em seguida, vamos pegar os incrementos dos incrementos. Eles são pseudoestacionários?

Entretanto, se aprendemos a prever os incrementos, isso significa que aprendemos a prever sua derivada - o preço?

Sim

 
Maxim Dmitrievsky #:

os dados devem ser representados em um intervalo de valores, que é salvo em novos dados. Se essa condição não for atendida, o modelo se fixará nos valores de limite quando ultrapassar esse intervalo.

Ou seja, esses sinais devem ser obviamente descartados?

    # Add simple features
    raw_data['raw_SMA_10'] = raw_data['close'].rolling(window=10).mean()
    raw_data['raw_SMA_20'] = raw_data['close'].rolling(window=20).mean()

Porque eles podem facilmente atingir valores fora do intervalo de treinamento.

[Excluído]  
fxsaber #:

Então essas placas devem ser descartadas?

Porque eles podem facilmente atingir valores fora do intervalo de treinamento.

Sim, eles não podem ser usados, assim como os preços de abertura.

Bem, você não pode. Tecnicamente, você pode, mas há o risco de o modelo travar com novos dados.

Se você tiver alguma visão de que eles não irão além de seu intervalo em um futuro próximo, então você pode.

 
O aprendizado por classificação percebe que os recursos preço, retornos^1, retornos^2, ... são um e o mesmo - há uma relação inequívoca entre eles e, portanto, apenas um atributo deve ser deixado nessa lista?
 
Maxim Dmitrievsky #:

Se houver alguma visão de que eles não sairão de seu alcance em um futuro próximo, você pode.

O ouro e as criptomoedas não são adequados para isso.

[Excluído]  
fxsaber #:
O aprendizado por classificação percebe que os recursos preço, retornos^1, retornos^2, ... são um e o mesmo - há uma relação inequívoca entre eles e, portanto, apenas um atributo deve ser deixado nessa lista?

Não é a mesma coisa, ainda há uma diferença. A solução dependerá do número total de atributos. Se for muito grande, ele poderá ser limpo. Caso contrário, você pode deixá-lo sem problemas. Além disso, eles são ligeiramente diferentes (incrementos com defasagens diferentes) e podem fornecer informações úteis adicionais ao modelo.

O preço é excluído pelo motivo mencionado acima.
[Excluído]  
fxsaber #:

O ouro e as criptomoedas não se qualificam para isso.

não há muita coisa que se encaixe, então todos os sinais são, pelo menos, detrending.

 

Parece que o MO está posicionado como um ser (mega-humano) com habilidades de supercomputação e memória.

Que sinais uma pessoa comum usa para criar um CT? Nunca vi uma pessoa olhar para um gráfico de incrementos e tentar prevê-lo.

12345678
Novo comentário