交易中的机器学习：理论、模型、实践和算法交易 - 页 1977

新评论
 

遗憾的是，增加TF会使结果恶化，Rangy是更好的。

增加了MA和瘦身的内容。在没有MA的情况下，瘦身的作用是改变TF，使分布正常。RMS = 稀释步骤的根。如果MA比thinning大2倍，那么我们就有了kosher downsampling，预测工作的准确性很高，但我们需要一个测试者来计算正确的预期回报。之字形已经准备好了，但我不知道它应该采取什么形式：带有最小值和最大值的索引数组，还是一个索引数组，或者是一次性的价格数组。

我可以得到任何其他的过滤器，而不是MA，但我只需要知道脉冲特性。在代码中，MA是以[1/per]*per的形式进行的，对于per=4，将扩展为[0.25, 0.25, 0.25, 0.25]。

 
Rorschach:

森林：55.89%的正确答案，2.36的期望值

森林累积增量。55.89%的正确答案，2.36的期望值，相同的结果

不过，还是有区别的，增量更好。

zigzag的问题，不清楚如何限制最小的变化，总是微动开关。


 

更像是胡说八道，但我还是要问。


NS能预测这样的系列吗？


比如说下一个人物出现的概率。 还有就是A系列对B系列是否有依赖性。

 
Evgeniy Chumakov:

更像是胡说八道，但我还是要问。


NS能预测这样的系列吗？


比如下一个角色出现的概率。 还有，A系列和B系列之间是否有关联性？

这是他们的直接任务。

 

在切换到TensorFlow 2.3后，出现了一个错误

"WARNING:tensorflow:在过去的11次调用中，有11次触发了tf.函数回溯。追踪是昂贵的，过多的追踪可能是由于在一个循环中重复创建@tf.function" 。

也就是说，一些tf.function发誓说它是在一个循环中。我没有任何tf.function，但在循环中，它对模型prediction=model.predict(data)进行投票。
tf.函数的描述在这里
这显然是一些未知的实体，有人了解它是什么吗？

UPD
总之，这是某种很酷的东西，没有它不行，需要研究一下。它解决了TensorFlow与Python的兼容性问题。

 

我想我完成了代理交易员的工作。我已经监测了alpha测试的演示。该逻辑是非琐碎的，所以可能有bug。让我们来测试一下。

现在我有兴趣尝试LSTM的不同变体，也许还有变压器（但可能很难搞清楚）。
 
Maxim Dmitrievsky:

我想我已经完成了交易员的工作。我已经监测了alpha测试的演示。该逻辑是非琐碎的，所以可能有bug。让我们来测试一下。

现在我有兴趣尝试LSTM的不同变体，也许还有变压器（但要想弄清楚可能会让你的大脑崩溃）。

这个逻辑更复杂。一方面，这很好。另一方面，在不熟悉的地区有虫子。变压器是什么？

 
Valeriy Yastremskiy:

逻辑更加支离破碎。一方面，这是一件好事。另一方面，在不熟悉的领域有虫子。变压器是什么？

一种用于处理时间序列的新型网络，据说比lstm更好。在文本识别、机器翻译等方面，它们被用来强调句子的背景。也就是说，当一个词通过某种语境与其他词（以前的）相关时。

自我注意的转化器。机制--人类注意力的类似物。

 
Maxim Dmitrievsky:

一种新型的时间序列网络，据说比LSTM更好。在文本识别、机器翻译等方面，它们被用来强调句子的背景。也就是说，当一个词通过某种语境与其他词（以前的）相关时。

自我注意的转化器。机制--人类注意力的类似物。

如此重大的并发症。首先，记忆是长的和短的，然后是模型中的注意力的影子。我的大脑无法一下子应付它）。但它应该工作得更好。

 
Valeriy Yastremskiy:

那么这样重大的并发症。首先，记忆是长的和短的，然后是模型中的注意力的影子。大脑肯定达不到))))。但它应该工作得更好。

它确实更好用，但你永远不知道它要去哪里。

一般来说，传统的反向传播网，如mlp，并不适合时间序列，根本不适合。至少你需要RNN
1...197019711972197319741975197619771978197919801981198219831984...3399
新评论