交易中的机器学习：理论、模型、实践和算法交易 - 页 3392

新评论
 
Maxim Dmitrievsky #:

区别在于元素之间的时间依赖性。就在这里。不是位置上的，而是时间上的。

是的，我知道。

，我很好奇它的实用性。

例如，时间序列的特征如下：在完成当前步骤之前，不能进入下一个步骤。在转换当前时间值之前，不能进入下一步。
如同 NS 层。

在序列中，卷积可以朝任何方向进行：从左到右或从右到左，它并不在意。

这可能是一个例子。

 
mytarmailS #:
谁说一致性了？

我挑论文的毛病是因为我只是想猜测一下。

 
Ivan Butko #:

是的，我知道。

，我很好奇它的实用性。

例如，时间序列的特征如下：在完成当前步骤之前，不能进入下一个步骤。在转换当前时间值之前，不能进入下一步。
如同在 NS 层中。

在序列中，卷积可以朝任何方向进行：从左到右或从右到左，它并不在意。

这可能是一个例子。

有了序列，每个元素是在什么时间点获得的就不重要了。它们可以任意绘制。最后一个可以先画，以此类推，如果手指上有的话。而 BP 元素是按其出现的时间排序的。

以上所述也都是正确的。
 
我们都需要一个类似于 iris 或 mnist 的试验数据集，但要有市场数据，以测试和比较我们的想法和 AMO 的性能。

但可悲的是，即使只是下载这个数据集并利用它做些事情，也只有 5 个人能做到。
 
mytarmailS #:
谁说要始终如一了？
我说了晚上好
 
mytarmailS #:
我们都缺乏某种试验数据集，如 iris 或 mnist，但却有市场数据来测试和比较我们的想法和 AMO 的性能。

金玉良言！要创建这样一个试验数据集，您至少需要有一个粗略的市场定价模型。比如--价格形成过程是如何发生的？因为如果我们认为价格只是一种随机漫步，就像一枚对称的硬币一样，那么就没有什么好抓的了--在赌场里更容易找到乐趣。

 
sibirqk #:

金玉良言！要创建这样一个试验数据集，至少需要有一个粗略的市场定价模型。比如--价格的形成过程是怎样的？因为如果我们认为价格只是一种随机漫步，就像一枚对称的硬币一样，那么就没有什么好抓的了--在赌场里更容易找到乐趣。

我试着用 10 年时间训练（优化）直元。

10 年。这不是一周，也不是一个月。在这段时间里，价格图表有时间经历长期上升趋势和长期下降趋势。同样的事情还有中期和短期。

，但只要我尝试切换到反向美元对--就会出现稳定的匀速流失。

，切换到交叉盘--随机--上下波动。

，也就是说，根据反向错误传播中的所有再培训教条，在测试仪中进行优化时，通常只记住一个货币对（在此基础上进行教学）的路径，而其他货币对则显示随机。是的，有类似的结果，但这是随机的货币对，当你在欧洲美元上进行优化时，网络显示在一些法郎上获利。
但是，所有美元对的相关性都不低于 1。

因此，结论是不言而喻的：定价不是随机游走，而是一个复杂的系统。

 
mytarmailS #:
我们都缺乏像虹膜或 mnist 这样的试验数据集，但我们有市场数据来测试和比较我们的想法和 AMO 的性能。

但可悲的是，只有 5 个人能下载这个数据集并利用它做些事情。

结果将与测试 f-iels 的方式完全相同--拟合到一个特定的集合中。你可以用 Eurobucks 展示你的成果。如果你做得很好，就把它投放市场。并以 ONNX 格式发送给我们。

 
Ivan Butko #:


因此，结论是不言而喻的：定价不是随机的徘徊，而是一个复杂的系统性问题。

TS 只是固定在大趋势上。我经常在相关工具上看到类似的情况。

尤其是当符号与每种工具的波动性无关时。
 
Maxim Dmitrievsky #:

您将获得与测试功能完全相同的结果--与特定集合相匹配。您可以利用 Eurobucks 展示您的成果。如果您做得很好，请将其用于交易。并以 ONNX 格式发送给我们。

除了最后一条，一切都很好，你不能把复杂的代码放到 ONNX 中，准备好的模型除外。

你可能根本不知道我在说什么。


如果有一个 docker 容器，那就没有什么限制了，但对于ONNX 来说，这是一个很大的限制。
1...338533863387338833893390339133923393339433953396339733983399
新评论