Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2761
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Надеюсь ошибаюсь, но у меня впечатление что признаки понимаются не совсем одинаково.
Признаки это то что подаётся на вход НС, а на выход подаются метки классов.
А косвенные признаки возможно? Например, кошки и собаки часто дерутся, но собаки чаще бегают за кошками. У нас дано: два объекта и их движения. Задача: определить, кто из них кот, а кто собака, сверив один раз по фактическим данным и в последующие разы самостоятельно определять, кто есть кто. Мы точно знаем, что один из них кошка, а второй собака, только не видим их силуэт и не слышим их, даже их следов не видим, только координата передвижения. Подаём нейросети движение объектов туда-сюда (BUY-SELL). В процессе "раздумий" и перемножений весов, нейросеть классифицировала нам, что один объект всегда бежит впереди, а другой за ним (MA_5[0] > MA_10[0]), и сделала предположение: это собака сейчас впереди двигается? Проверила с фактическими данными, получила ответ (НЕТ), скорректировала данные, предположила, что это кот, сверила - (ДА). Теперь нейросеть знает, как по драке и движению объектов определить, кто есть кот, а кто собака. При этом, ей на вход не давали лапы, куски шерсти, зубы, лай или мяуканье.
То есть, кажется, что нейросети можно скормить многое и она найдёт то и найдёт так (Эркюль Пуаро), что даст нужный ответ. То есть, признак в данном случае не представляет частичную информацию о классифицируемом объекте, но при этом возможно решение.
А косвенные признаки возможно? Например, кошки и собаки часто дерутся, но собаки чаще бегают за кошками. У нас дано: два объекта и их движения.
В процессе "раздумий" и перемножений весов, нейросеть классифицировала нам, что один объект всегда бежит впереди, а другой за ним (MA_5[0] > MA_10[0]), и сделала предположение: это собака сейчас впереди двигается?
Теперь нейросеть знает, как по драке и движению объектов определить, кто есть кот, а кто собака. При этом, ей на вход не давали лапы, куски шерсти, зубы, лай или мяуканье.
То есть, признак в данном случае не представляет частичную информацию о классифицируемом объекте, но при этом возможно решение.
это не признаки - это динамика развития процесса во времени - динамические ряды...
а зависимости изучаются как стационарные ряды...
(но время можно и признаком обозвать - экзогенным, фактор времени добавляет динамику)
не получили ни мяуканья, ни шерсти на входе, но получили сглаживание траектории - нейросети всё равно , likelyhood чего вам аппроксимировать, - просто динамика всегда показывает результат с лагом -- именно потому, что ей нужен фактор времени, как окно для сбора выборки и оценки скорости изменения зависимой переменной от времени... НО зависимость (от времени) должна быть для анализа динамики (именно её вы и закладываете в описанную вами модель - вы если будете называть вещи своими именами "что фактор, а что вы хотите узнать/оценить" в модели - то и каракуль в (не)понимании друг друга на форуме меньше будет)...
линейное уравнение - показывает скорость (касательная в точке к кривой траектории), квадратичное (парабола) покажет ещё и ускорение... а сходимость (f-a)^2 будет оцениваться во времени и покажет результат на конечном отрезке этого временного окна - MLE (maximum likelihood estimation) всегда работает одинаково, хоть при аппроксимации статики, хоть при выравнивании динамики
пока вы не думаете, на что вы смотрите - на фактор (качественный/количественный) или на динамику его (+ фактор времени) - вы не можете отличить зависимости и закономерности развития - а значит и не понимаете, что анализируете и то ли это, что вам, действительно, надо, и что от чего зависит... и ограничения вида анализа - анализ динамики ВСЕГДА показывает результат с лагом
реально, утомляют споры о том, кто на что как криво смотрит и как криво видит и как криво интерпретирует, и как криво сам понимает из своих интерпретаций и пытается убедить других, а некоторые в постах выше ещё и с пеной у рта... о каком научном споре вообще может идти речь? если абстрагируете всё и вся до такой степени, что смыслы коверкаете своей свободой слова -- нет свободы слова в естественных науках! есть точные формулировки и их точные значения... а не псевдонаучные знания, которые продвигаете здесь из-за своего НЕзнания базовых основ (и пытаетесь преподносить это в виде аргументов)_
такие и модели создаёте (кривые) - не зная, что поставить на выход (что хотите узнать) в результате моделирования... а от каких факторов эта зависимость вас интересует
всё слишком субъективно часто на этой ветке, вот и невозможно добраться до объективности (которая есть истинная и главная цель моделирования)
это не признаки - это динамика развития процесса во времени - динамические ряды...
а зависимости изучаются как стационарные ряды...
(но время можно и признаком обозвать - экзогенным, фактор времени добавляет динамику)
не получили ни мяуканья, ни шерсти на входе, но получили сглаживание траектории - нейросети всё равно , likelyhood чего вам аппроксимировать, - просто динамика всегда показывает результат с лагом -- именно потому, что ей нужен фактор времени, как окно для сбора выборки и оценки скорости изменения зависимой переменной от времени... НО зависимость (от времени) должна быть для анализа динамики (именно её вы и закладываете в описанную вами модель - вы если будете называть вещи своими именами "что фактор, а что вы хотите узнать/оценить" в модели - то и каракуль в (не)понимании друг друга на форуме меньше будет)...
линейное уравнение - показывает скорость (касательная в точке к кривой траектории), квадратичное (парабола) покажет ещё и ускорение... а сходимость (f-a)^2 будет оцениваться во времени и покажет результат на конечном отрезке этого временного окна - MLE (maximum likelihood estimation) всегда работает одинаково, хоть при аппроксимации статики, хоть при выравнивании динамики
пока вы не думаете, на что вы смотрите - на фактор (качественный/количественный) или на динамику его (+ фактор времени) - вы не можете отличить зависимости и закономерности развития - а значит и не понимаете, что анализируете и то ли это, что вам, действительно, надо, и что от чего зависит... и ограничения вида анализа - анализ динамики ВСЕГДА показывает результат с лагом
реально, утомляют споры о том, кто на что как криво смотрит и как криво видит и как криво интерпретирует, и как криво сам понимает из своих интерпретаций и пытается убедить других, а некоторые в постах выше ещё и с пеной у рта... о каком научном споре вообще может идти речь? если абстрагируете всё и вся до такой степени, что смыслы коверкаете своей свободой слова -- нет свободы слова в естественных науках! есть точные формулировки и их точные значения... а не псевдонаучные знания, которые продвигаете здесь из-за своего НЕзнания базовых основ (и пытаетесь преподносить это в виде аргументов)_
такие и модели создаёте (кривые) - не зная, что поставить на выход (что хотите узнать) в результате моделирования... а от каких факторов эта зависимость вас интересует
всё слишком субъективно часто на этой ветке, вот и невозможно добраться до объективности (которая есть истинная и главная цель моделирования)
Спасибо за развёрнутый ответ.
А косвенные признаки возможно? Например, кошки и собаки часто дерутся, но собаки чаще бегают за кошками. У нас дано: два объекта и их движения. Задача: определить, кто из них кот, а кто собака, сверив один раз по фактическим данным и в последующие разы самостоятельно определять, кто есть кто. Мы точно знаем, что один из них кошка, а второй собака, только не видим их силуэт и не слышим их, даже их следов не видим, только координата передвижения. Подаём нейросети движение объектов туда-сюда (BUY-SELL). В процессе "раздумий" и перемножений весов, нейросеть классифицировала нам, что один объект всегда бежит впереди, а другой за ним (MA_5[0] > MA_10[0]), и сделала предположение: это собака сейчас впереди двигается? Проверила с фактическими данными, получила ответ (НЕТ), скорректировала данные, предположила, что это кот, сверила - (ДА). Теперь нейросеть знает, как по драке и движению объектов определить, кто есть кот, а кто собака. При этом, ей на вход не давали лапы, куски шерсти, зубы, лай или мяуканье.
То есть, кажется, что нейросети можно скормить многое и она найдёт то и найдёт так (Эркюль Пуаро), что даст нужный ответ. То есть, признак в данном случае не представляет частичную информацию о классифицируемом объекте, но при этом возможно решение.
реально, утомляют споры о том, кто на что как криво смотрит и как криво видит и как криво интерпретирует, и как криво сам понимает из своих интерпретаций и пытается убедить других, а некоторые в постах выше ещё и с пеной у рта... о каком научном споре вообще может идти речь? если абстрагируете всё и вся до такой степени, что смыслы коверкаете своей свободой слова -- нет свободы слова в естественных науках! есть точные формулировки и их точные значения... а не псевдонаучные знания, которые продвигаете здесь из-за своего НЕзнания базовых основ (и пытаетесь преподносить это в виде аргументов)_
такие и модели создаёте (кривые) - не зная, что поставить на выход (что хотите узнать) в результате моделирования... а от каких факторов эта зависимость вас интересует
всё слишком субъективно часто на этой ветке, вот и невозможно добраться до объективности (которая есть истинная и главная цель моделирования)
Реально утомляют споры на разных языках))) Хорошо бы без эмоций, с дословным и доходчивым объяснением понимания... но как водится это редкость у людей, понимать, что люди разные и понимают многие одинаковости по разному.))))
Точные формулировки и точная терминология не возможна на передовой любых наукообразных областей (на этапе новых изысканий) к сожалению, поэтому разъяснения своих пониманий в этой ветке имеют решающую роль для результатов здешних холиваров)))
Реально утомляют споры на разных языках))) Хорошо бы без эмоций, с дословным и доходчивым объяснением понимания... но как водится это редкость у людей, понимать, что люди разные и понимают многие одинаковости по разному.))))
Точные формулировки и точная терминология не возможна на передовой любых наукообразных областей (на этапе новых изысканий) к сожалению, поэтому разъяснения своих пониманий в этой ветке имеют решающую роль для результатов здешних холиваров)))
Нет здесь передовой, а есть НЕ знание имеющихся инструментов. Передовая может образоваться после освоения имеющихся инструментов и попыток ликвидации выявленных в них недостатков.
Абсолютно точные формулировки возможны во всех случаях, когда термины поддержаны кодом.
Например, нейросеть - это обобщающий термин без конкретного содержания.
А вот нейросеть в пакете nnet обладает совершенно точным содержанием.
Точно так употребляемый мною и некоторыми другими авторами термин "предсказательная способность предиктора" также является обобщающим понятием, а вот "предсказательная способность", понимаемая как разница между медианами между двумя векторами, полученными делением предиктора классами, являются абсолютно точным.
Признаки это то что подаётся на вход НС, а на выход подаются метки классов.
Признаки это настоящие причины среди шума (не нужных нам признаков) которые мы ищем, метки классов это нужные нам результаты, согласен с Санычем: Пара "целевая-предикторы" связаны и пара существует именно потому, что связаны.
И их трудно найти)
Признаки у нас это приращения во времени среди других приращений во времени, или в ряду, просто по порядку, без учета времени. Приращения можно рассматривать как отдельно, относительно предыдущих, так и рисунком или функцией или паттерном подряд идущих приращений. Что бы их найти мы исследуем участок, окно, но для разных нужных нам признаков нужно разного размера это окно. У Саныча подход, что нужно это делать на каждом новом результате данных, у тебя только на выявленном как нужный.
Так же метки классов / нужные нам результаты, так понимаю, найти правильные это отдельная задача.
Вроде все правильно понимаю)))?
Признаки это настоящие причины среди шума (не нужных нам признаков) которые мы ищем, метки классов это нужные нам результаты, согласен с Санычем: Пара "целевая-предикторы" связаны и пара существует именно потому, что связаны.
И их трудно найти)
Признаки у нас это приращения во времени среди других приращений во времени, или в ряду, просто по порядку, без учета времени. Приращения можно рассматривать как отдельно, относительно предыдущих, так и рисунком или функцией или паттерном подряд идущих приращений. Что бы их найти мы исследуем участок, окно, но для разных нужных нам признаков нужно разного размера это окно. У Саныча подход, что нужно это делать на каждом новом результате данных, у тебя только на выявленном как нужный.
Так же метки классов / нужные нам результаты, так понимаю, найти правильные это отдельная задача.
Вроде все правильно понимаю)))?