交易中的机器学习：理论、模型、实践和算法交易 - 页 1897

新评论
 
你不会相信，但我有一个深度学习的物理原理，它非常符合我的理论...高的问题，我能说什么呢...我最好快点去听声音，快点去写。因为人们越来越衰老，迫切需要打破这些神话... ....
 
Rorschach:

"一个带有教师的深度学习算法在每个类别有大约5000个标记的例子时就能达到可接受的质量"

对M1来说，每天都要对一周的故事进行再训练，对M5来说，每周对一个月的故事进行一次训练。

对于其他方法是否有任何数字可以比较？

每个芯片5000元是一般标准，最好在5000到10000之间。
 
罗夏。
我不认为有必要边走边重新培训......。没有什么根本性的变化，我已经跑了三个月，没有重新训练，质量没有变化。这完全取决于网络被训练的历史长度。如果你收费3-5年，网络会形成稳定的规则，这些规则在整个期间都是有效的，并记住它们。
 
Valeriy Yastremskiy:

还是不明白时间的问题，1、2、9点只是终端时间？

在这里很难犯错，不是吗？

我可以写一篇文章，因为在论坛上解释每一个点是不可能的。

我有很多有趣的东西，比如Python代码、聚类、树状分析器

我想出了进入交易的条件，你可以添加准备好的机器人，生成现成的机器人，这很酷
 
Maxim Dmitrievsky:

在这里似乎很难犯错。

我可以写一篇文章，因为在论坛上解释每一个点是不可能的。

而且有很多有趣的东西，比如Python代码、聚类、树状分析器

我已经理解了进入交易的条款，我可以添加现成的机器人，这很酷。

我明白了，这篇文章会很好））））。

 
Valeriy Yastremskiy:

我明白了，这篇文章会很好)))

但在新的数据上，就像所有的MO一样，倾泻而下。在训练期间，它是美丽的。

我想通过引入粗大的集群来绕过重新训练，但出了问题 ))

 
Maxim Dmitrievsky:

但在新的数据上，就像所有的MO一样，倾泻而下。在学习期间，它是美丽的。

我想通过引入粗化集群来绕过重新训练，但出了点问题 ))

我需要一个真实行的对应控制来测试一个（只是说）但我不明白如何做，到目前为止，滞后是可以接受的，或者至少是可以理解的。

 
Valeriy Yastremskiy:

我们需要控制真实序列与测试序列的对应关系（只是说），但如何做到这一点，我还不明白，这样滞后就可以接受，或者至少是可以理解。

一切都已经在想法中了--集群的季节性模式，据说是重复的（事实上有时也是如此）。

但是......错误的外套。或者树被严重过度训练，你需要训练和解析一个神经元网络

但这都是胡说八道，如果树上没有显示任何东西，就意味着没有规律性。深度学习是没有意义的。
 
Evgeny Dyuka:
每项功能5000是一般标准，最好在5000到10000之间。

全文：一个 有 老师 的深度学习算法 在 每个类别 有大约5000个标记的 例子 时就能达到可接受的质量 ， 如果在包含至少1000万个标记的 例子 的数据集上进行训练 ，则与人类相当，甚至优于人类 。

数据和权力就是一切。


Evgeny Dyuka:
我不认为沿途的额外训练有什么意义......原则上没有变化，我已经工作了三个月，没有任何再培训，质量没有变化。这完全取决于训练网的历史长度。如果你收费3-5年，那么网络会形成稳定的规则，这些规则一直在发挥作用，并记住它们。

取决于处理问题的方法。如果你相信系统的寿命是有限的，那么你就需要定期进行优化，TF越小，就越频繁。


为了排除局部最小值作为 问题的可能原因，绘制 梯度 规范 与时间 的关系是有意义的 。如果梯度规范没有减少到接近零，那么问题 就不是 局部最小值。

你有没有做过这个？

 
Rorschach:

没有这样做？

这是一个有点棘手的问题。我只是给网络提供不同的特征集，并在它开始显示出一些学习的迹象时抓住它。然后我立即用一个真实的市场来测试它。网友的回答是 "上/下"，所以答案是在每支蜡烛上，但信心程度不同。一切都很简单））没有开仓，没有利润，也没有损失。

1...189018911892189318941895189618971898189919001901190219031904...3399
新评论