Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2526
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Bu şekilde yalnızca örnekteki son değerin diğerleriyle korelasyonunu elde edersiniz, ancak bunlar da bir şekilde birbirleriyle korelasyon gösterirler) Örneğin, eğer 1<=t1<=t2<n ise, o zaman ACF(t1,t2)= sqrt(t1 /t2).
Başka bir sorum daha var. Burada sonsuz büyüklükteki bir örnekte komşu değerlerin ACF'sini ele alıyoruz. Örneğin, t1=1, t2=2. ACF = sqrt(0.5) ~ 0.707 elde ederiz. Şimdi diğer komşu değerleri alıyoruz, örneğin, t1=10000, t2=10001. ACF = 1 (neredeyse) elde ederiz. Komşu değerlerin birbiriyle farklı şekilde ilişkili olduğu ortaya çıktı. Bu iyi?
Dürüst olmak gerekirse, hiçbir şey anlamıyorum.
ps, süper zeki bir matematikçi bana acıyıp burada neler olduğunu açıklayabilir mi?
ticarette "süper akıllı bir matematikçiye" ihtiyacınız yok.....
DL'de 3 katman vardır - iç (gizli) sırasıyla t momentini işler, dış t-1 ve t + 1 ... - buradan otokorelasyon mümkündür ... IMHO ... Ben böyle görüyorum
bir nedenden dolayı bana öyle geliyor ki, özelliğin zaman içindeki delta değişimini değil, daha çok bir indeks alırsak, o zaman belki de, bu kesişen değerlerin zaman alanındaki otokorelasyonunun etkisi bir şekilde dengelenebilir. ... tartışmalı ... çünkü close(t )/close(t-1) de bir kesişme noktasına sahiptir ve bu nedenle bir otokorelasyon... Şahsen kendim kontrol ettim... ve bu hala ihtiyacım olan dizin değil...
fiyat hareketini yeterli TF'lerde modellemede otokorelasyon için dua etmek işe yaramaz ... ve modeli her tikten sonra çekmek - modellemenin zaten bir anlamı yok (özellikle uzun vadeli modeller türetmede olduğu gibi) ... ayrıca IMHO (ancak daha olasılıksal olarak adil)...
AMA Tekrarlayan sinir ağları bilgiyi yalnızca ileriye iletir (Boltzmann makinelerinin ortaya çıkmasıyla çok katmanlı olasılıklı öğrenmede kullanılmaya başladılar ) ...
Tekrarlayan ağlar ve Bayes yöntemlerinin kendi başlarına finansal zaman serilerinden "bellek" çıkarabildiği veya yeni verilerden en kararlı modeli çıkarabildiği gösterilmemiştir.
bu nedenle, hata geri yayılımlı özyinelemeli ağlar ve dy/dx minimizasyonu gerçek problemlerde kullanılır (çünkü minimizasyon yetenekleri dy/dx nedeniyle entegrasyona izin verirler)
ps
genel olarak, bana gelince - aynı Monte Carlo yöntemi - sadece makinenin kuvvetleriyle ... Geri yayılımı kullanarak ileriye yönelik arayışta henüz yeni bir şey görmüyorum ... tamamen terminolojik olarak ...
pps
Theano ile PC kaynaklarını aşırı yüklemeden bir şeyler deneyebilirsiniz (TensorFlow terfi ettirilse de) ...
ve Y nedir ve X nedir - geliştiricinin takdirine bağlı olarak (önceden veya istatistik analizinin bir sonucu olarak) ... python ile arkadaşsanız - sklearn'de, hatta 2'si 1 arada olasılıklar bazı yöntemlerde zaten uygulanıyor mu? örnekler! -- ve ML'nin kendilerinin yaptığı ve önem verdiği özellik - ayrıca birkaç satır (tıpkı birkaç satırda düzeltme bulduğunuz gibi)
Gerçek piyasada mı? Şahsen, bir tür felsefeye bağlıyım:
* ama gerçekten tartışmak istemiyorum çünkü kanıt olmadan varsayımları tartışmak işe yaramaz
! gerçek ticarette - anlamı değiştirmeyin ...
evet, felsefe, aslında herkesin kendine ait bir felsefesi vardır... istatistiğin amacı varyansları açıklamaktır
ve bağımsız denemelerden bağımlılıkları resmileştirin
Başka bir sorum daha var. Burada sonsuz büyüklükteki bir örnekte komşu değerlerin ACF'sini ele alıyoruz. Örneğin, t1=1, t2=2. ACF = sqrt(0.5) ~ 0.707 elde ederiz. Şimdi diğer komşu değerleri alıyoruz, örneğin, t1=10000, t2=10001. ACF = 1 (neredeyse) elde ederiz. Komşu değerlerin birbiriyle farklı şekilde ilişkili olduğu ortaya çıktı. Bu iyi?
Her şey doğru, öyle. Bu, SB'nin durağan olmamasından bahsetmenin ikinci nedenidir (birincisi zamanla varyansın büyümesidir). ACF'nin yalnızca ACF(t1,t2)=ACF(t1-t2) zaman farkına bağlı olduğu yalnızca durağan süreçler içindir (tanımları gereği). Bu nedenle durağan seriler için ACF genellikle bir t1-t2 argümanının bir fonksiyonu olarak yazılır.
Sorunun elbette Alexei'ye yönlendirilmesi gerekiyor. Ama "önemli değil" derdim. Tahmin ettiğim nokta, SB'nin yolu sqrt(t) ile orantılı olarak kat etmesidir.
Bilinen "bir oyuncunun mahvolması" sorunu kastedildi. Örneğin, fiyatların bazı düzeylere "eğilim" etkisinin istatistiksel olarak anlamlı olup olmadığını test etmek için kullanılabilir.
Bilinen "bir oyuncunun mahvolması" sorunu kastedildi. Örneğin, fiyatların bazı düzeylere "eğilim" etkisinin istatistiksel olarak anlamlı olup olmadığını test etmek için kullanılabilir.
Şimdi bu çok daha ilginç
Genelde piyasanın bir zaman serisi olduğu görüşünden vazgeçebilir ve nihayet piyasa analizinde bir atılım yapabilir..
Her şey doğru, öyle. Bu, SB'nin durağan olmamasından bahsetmenin ikinci nedenidir (birincisi zamanla varyansın büyümesidir). ACF'nin yalnızca ACF(t1,t2)=ACF(t1-t2) zaman farkına bağlı olduğu yalnızca durağan süreçler içindir (tanımları gereği). Bu nedenle durağan seriler için ACF genellikle bir t1-t2 argümanının bir fonksiyonu olarak yazılır.
Tamam ozaman. Soruyu farklı bir şekilde sorayım. Aşağıda açıklanan iki durum birbirinden farklı mı:
1) Sonsuz büyüklükte bir örneğimiz var. n ve (nt) zamanının iki anını ele alıyoruz. 1 <= (nt) <= n olduğunu düşünüyoruz. ACF((nt),n)=sqrt((nt)/n) hesaplayın.
2) n uzunluğunda bir örneğimiz var. Örnek ACF'yi gecikme t ile hesaplıyoruz: ACF(t) = sqrt((nt)/n).
bir nedenden dolayı bana öyle geliyor ki, özelliğin zaman içindeki delta değişimini değil, daha çok bir indeks alırsak, o zaman belki de, bu kesişen değerlerin zaman alanındaki otokorelasyonunun etkisi bir şekilde dengelenebilir. ... tartışmalı ... çünkü close(t )/close(t-1) de bir kesişme noktasına sahiptir ve bu nedenle bir otokorelasyon... Şahsen kendim kontrol ettim... ve bu hala ihtiyacım olan dizin değil...
Muhtemelen buna gerçekten ihtiyacınız yoktur, ancak herhangi bir eğilimle, zaman serisi verileri bazen çok yüksek olan ve teoride birçok analiz modeline / sinir ağına müdahale etmesi gereken otokorelasyon göstermeye başlar.
Bu etkiyi tahmin için kullanmak gerçekten zordur, çünkü hiçbir şey sonsuza kadar sürmez, trendin yerini bir aralık alır, kaos düzendedir, rastgele dolaşan bir zaman serisi birdenbire uzun bir süre gezinmeyebilir ve bunun tersi de olabilir. Sürecin yapısını böyle bir değerlendirme ile anlamak, çok basit, 200SMA'nın üzerinde ticaret yapmak gibidir.
Ama belki de sinir ağınızın otokorelasyonlara nasıl tepki verdiğini kontrol etmeye değer ve eğer varsa ve müdahale ediyorsa bunları kaldırmaya çalışmak, işlemek ve uygun veri hazırlama, bence, bu tür sistemlerle çalışırken en önemli şeydir. Bitişik elemanların hiç kesişmesi olmamalı (eğer düşündüğüm buysa?), Bu tür verileri kullanırsanız, modelin işe yaraması büyük bir mucize olurdu.
Muhtemelen buna ihtiyacınız yoktur, ancak herhangi bir eğilimde, zaman serisi verileri
değiştirmeyin: bana bir şeye itiraz etmeye çalışıyorsunuz - hala kendinizden bahsediyorsunuz ... sadece zaman serileri hakkında ... (ve kimse örnekleme yöntemlerini iptal etmedi) ...
fiyat uzun süre zamana bağlı değil, bakış açımı bir kereden fazla ifade ettim (ve kopyalamayacağım) ... genel olarak, DL'de otokorelasyona girebileceğiniz yer, size gösterdim . .. ve X ve Y için ne ücret alacaksınız ve hangi bağımlılıkları modellemek için - ayrıca 10. kez yazıyorum - geliştiricinin takdirine bağlı olarak ...
Modelinizi geliştirmiyorum - fiyatın zaman içindeki davranışını kanıtlamam gerekmiyor... herhangi bir disiplinden bir kelime) ... MO-th'e dahil olan mühendisler (burada olmayanlar) yine de anlayacaklar. otokorelasyon tartışmasının darlığı (anlaşılmaz konuşmalar uğruna) bir trendde bile, hatta kenelerde bile, model çok daha geniş bir açıdan ve pirelerinizin (otokorelasyon) tırmanabileceği ufuklardan daha geniş eğitim ufuklarında inşa edilmişse. .. Derin Öğrenme bunun içindir (her şeyi hesaba katmak için)
... benim için ticaret meselesi bir soru değil:
"Bir oyuncunun mahvolmasıyla ilgili" bilinen sorun.
...bu yüzden uzun zamandır bu saçmalıktan kaçınıyorum... Burada modellik hakkında hiçbir fikirleri olmadığı ortaya çıktı ve kim varsa bu konu üzerinde vakit kaybetmesin... Neyse tamam, var. ağda, burada boşuna dökülen tüm haydut jargonundan çok daha mantıklı DL ...
istatistiğin temelleri hakkında, akademik matematikçilerle gerçekten daha iyi sohbet etmelisin, burada açıkçası bana cevap vermene gerek yok ... - Otokorelasyonun DL'de bir şeyi yönettiğine dair inancınla ilgilenmiyorum ... - 5. kez “Bu kötü bir model” yazıyorum (10'uncuyu yazmak istemiyorum) ... akademisyenlerin sana cevap vermesine izin ver (eğer cevabım sadece sende bir şey kanıtlama arzusu uyandırdıysa)
Tamam ozaman. Soruyu farklı bir şekilde sorayım. Aşağıda açıklanan iki durum birbirinden farklı mı:
1) Sonsuz büyüklükte bir örneğimiz var. n ve (nt) zamanının iki anını ele alıyoruz. 1 <= (nt) <= n olduğunu düşünüyoruz. ACF((nt),n)=sqrt((nt)/n) hesaplayın.
2) n uzunluğunda bir örneğimiz var. Örnek ACF'yi gecikme t ile hesaplıyoruz: ACF(t) = sqrt((nt)/n).
Aradaki fark, ilk durumda, ACF'nin tüm olası zaman noktası çiftleri için dikkate alınması ve ikinci durumda, zaman noktalarından birinin t2=n sabitlenmesi ve birçok zaman noktası çiftinin dikkate alınmamasıdır ( örneğin , bir çift t1=1, t2=2). Genel olarak, ACF iki bağımsız değişkenin bir işlevidir. Yalnızca durağan süreçler için ACF, bir t=t1-t2 (gecikme) argümanının bir fonksiyonu olarak düşünülebilir.
Örnek ACF her zaman sürecin belirli bir sayısal örneğinde (uygulamasında) hesaplanır ve her zaman bir argümanın (gecikme değeri) bir fonksiyonu olarak ortaya çıkar. SB'nin uygulanması için örnek ACF'nin ACF'si için bir tahmin olmamasının ana nedeni budur)