交易中的机器学习：理论、模型、实践和算法交易 - 页 2239

[[删除]]

Fast235:

纤细的键盘+触摸，任何一个都会有缺陷

这个肯定是有缺陷的。

[Aleksey Vyazmikin]

我从那个不能提的比赛中下载了文件（样本），它们都是.parguet 格式的，我想我找到了解决办法，但我需要python，谁能把它们转换成csv？

[Aleksey Vyazmikin]

elibrarius:

市场和参与者以及他们的算法随着时间的推移而变化。奇怪的是，你期望一个稳定的系统被训练一次。每周或每天重新训练一次（在树上是快速的）。

这是一个哲学问题 :)

你需要了解市场变化的速度，重新培训的频率取决于此，你如何衡量？

我认为市场是由许多不同的倾向性组成的，它们的集合是有限的，我只教给大家识别这种倾向性的模式，并从中赚钱。

[iwelimorn]

Vladimir Perervenko:

你为什么不喜欢开箱即用的东西？ 你实际上只需要负责MKL和Python之间通信的部分（ZeroMQ）。

祝好运

我不知道这事））谢谢!

[iwelimorn]

Maxim Dmitrievsky:

只是我不太明白，既然你可以用1D卷积来做，为什么还要用图片把任务复杂化？:) 一张图片并不能为该行增加任何信息。

是的，你是对的，如果将一个特征向量转换为矩阵并送入卷积，不会有太大变化（我已经检查过了:)））在我的案例中，我的想法是最大限度地利用卷积网络 的特性来寻找和使用本地模板。这些图案在翻译方面是不变的，即多层卷积可以在图像的不同地方找到相同的图案。同样的架构与中间积极的特征图还原允许在不同卷积层的模板之间形成一个层次。 因此，我试图找到这样一个图形化的解释，让卷积找到这些模板的报价。

[Vladimir Perervenko]

welimorn:

是的，你是对的，如果将特征向量转换为矩阵并送入卷积，不会有太大的变化（已经检查过了：））在我的案例中，我的想法是最大限度地利用卷积网络的特性来寻找和使用局部模式。这些图案是转移不变的，也就是说，多层卷积可以在图像的不同地方找到相同的图案。同样，一个具有中间积极的特征图还原的架构可以让你在不同卷积层上的模板之间形成一个层次。 所以，我试图找到一个图形解释，让卷积找到这些模板的报价。

那么如何将一个向量转换为一个矩阵呢？

[Aleksei Kuznetsov]

welimorn:

是的，你是对的，如果将特征向量转换为矩阵并送入卷积，不会有太大的变化（已经检查过了：））在我的案例中，我的想法是最大限度地利用卷积网络的特性来寻找和使用本地模板。这些图案是转移不变的，也就是说，多层卷积可以在图像的不同地方 找到相同的图案。同样，具有中间积极的特征图还原的架构允许我们在不同卷积层上的模板之间形成一个层次。 因此，我试图找到一个图形解释的报价，让卷积找到这些模板。

顺便说一下。我们在图表的不同地方寻找模式，这样做对吗？
我想不会。
例如，我们在20点发现了一些模式，之后我们应该买入。而如果这种形态不是在0-m条上，而是在20-50-200条之前，而且现在买入已经太晚，我们应该卖出。反之 则会找到它并购买。它将回答这个问题，如果该模式是在显示给它的图表部分。但我们应该只在图表的右侧部分，即第0个柱子处搜索该模式。

因此，事实证明，卷积网不适合用于处理报价。在第0条以外的任何地方出现图案，只会干扰有利可图的工作。
如果图表有100个点，而图案有20个。然后卷积网将发出信号，这里有一个模式，80次！！！。

本来要做的，但刚刚改变主意。

[[删除]]

welimorn:

是的，你是对的，如果将特征向量转换为矩阵并送入卷积，不会有太大的变化（已经检查过了：））在我的案例中，我的想法是最大限度地利用卷积网络的特性来寻找和使用本地模板。这些图案在翻译方面是不变的，即多层卷积可以在图像的不同地方找到相同的图案。同时，具有中间积极的特征图还原的架构允许在不同卷积层上的模板之间形成一个层次结构。 因此，我试图找到一个图形解释的报价，让卷积找到这些模板。

你可以试试递归图。我做了，但没有成功，而且又很慢。

[mytarmailS]

Maxim Dmitrievsky:

你可以试试递归图。我做了，但没有成功，而且很慢，又是这样。

或系列分解，例如PCA与反变换....

你可以将该系列分解成原子并重新组装。

这里是100窗口中的前两个组件

这里是2和3的组成部分

这里有3和4个组件

这里有30和31个组件

这样你就可以分解到100个，一个很酷的事情...

所有这些都是在新的数据上，没有滞后性等等。

......

......

.....

嗯...。大多数人甚至根本不明白我在说什么 )))) 可能）)

[[删除]]

mytarmailS:

或系列分解，PCA例如与反变换....

该系列可被雾化和重新组装

这里是窗口100中的前两个组件

这里是2和3的组成部分

这里有3和4个组件

这里有30和31个组件

这样你就可以分解到100个，一个很酷的事情...

所有这些都是在新的数据上，没有滞后性等等。

......

......

.....

嗯...。大多数人甚至根本不知道我在说什么)))) ))

那是肯定的。大多数人只是完全不明白你在说什么。嗯，这就是它应该有的样子。

你已经通过迂回的方式来到了被称为 "nonius追踪系统 "的建筑，它是众所周知的，在实践中被广泛地应用，并且很好地证明了自己。虽然还没有达到最充分的程度，但你已经知道了它的要点。