For many practical, high-risk applications, it is essential to quantify uncertainty in a model's predictions to avoid costly mistakes. While predictive uncertainty is widely studied for neural networks, the topic seems to be under-explored for models based on gradient boosting. However, gradient boosting often achieves state-of-the-art results on tabular data. This work examines a probabilistic ensemble-based framework for deriving uncertainty estimates in the predictions of gradient boosting classification and regression models. We conducted experiments on a range of synthetic and real datasets and investigated the applicability of ensemble approaches to gradient boosting models that are themselves ensembles of decision trees. Our analysis shows that ensembles of gradient boosting models successfully detect anomalous inputs while having limited ability to improve the predicted total uncertainty. Importantly, we also propose a concept of a virtual ensemble to get the benefits of...
즉, 스프레드 = 7pt에서는 50/50이 됩니다. 그리고 수익성있는 변형은 거래 당 평균 7 포인트 만 벌 수 있습니다. ECN 계정에서 스프레드는 일반적으로 EURUSD 0-5 (평균 3) + ~ 4 포인트 수수료. 그리고 스왑은 이제 -7.7이며 일부 거래의 경우 롤오버마다 +3.1 포인트가 추가됩니다. 스프레드 + 스왑은 마크 업에서 고려되어야합니다. 훈련 중에 일부 거래가 성공한 것으로 간주하지 않기 때문에 모델이 더 나아질 수 있습니다.
즉, 스프레드 = 7pt에서는 50/50이 됩니다. 그리고 수익성있는 변형은 거래 당 평균 7 포인트 만 얻습니다. ECN 계정에서 스프레드는 일반적으로 EURUSD 0-5 (평균 3) + ~ 4 포인트 수수료. 그리고 스왑은 이제 -7.7이며 일부 거래의 경우 롤오버마다 +3.1 포인트가 추가됩니다. 스프레드 + 스왑은 마크 업에서 고려되어야합니다. 훈련 중에 일부 거래가 성공한 것으로 간주하지 않기 때문에 모델이 더 나아질 수 있습니다.
그리고 스프레드를 어떻게 마크 업하든 나중에 각 거래에서 공제되는 경우 마크 업에서 스프레드를 어떻게 고려할 수 있습니까?
그들은 흥미로운 종류의 불확실성, 즉 속성에 대한 출력의 확률 적 의존성을 고려하지 않는 것 같습니다. 그들은 두 가지 다른 유형의 불확실성, 즉 속성 및 매개 변수의 부정확성과 관련된 불확실성을 연구합니다. 그들은 아름답게 불립니다 - 알레 레이터 및 인식 불확실성) 우리는 비유로 우리의 변종 목표 불확실성을 호출해야합니다).
임호, 우리의 경우 속성의 '측정 오류'는 원칙적으로 존재하지 않으며, 모델 매개변수의 불확실성은 '목표 불확실성'과 잘 분리할 수 없습니다.
아마도 고전적으로 필터링할 수 있는 경우(스프레드 10pt 초과){거래 또는 마크업하지 않음}. 또는 핍이 아닌 평균 스프레드 * 2 또는 *3.... *10.
우리는 계열에 대한 좋은 확률적 예측이 필요하지만 요즘처럼 싸구려(예를 들어 사분위수 회귀)는 아닙니다. 문헌 목록에는 포함되어 있는 것 같지만 기사 자체에서는 보지 못했습니다.
Yandex
스프레드가 있는 시간에 TS를 배출하는 것이 얼마나 쉬운지
스프레드가 있는 시간에 TS를 배출하는 것이 얼마나 쉬운지
즉, 스프레드 = 7pt에서는 50/50이 됩니다.
그리고 수익성있는 변형은 거래 당 평균 7 포인트 만 벌 수 있습니다.
ECN 계정에서 스프레드는 일반적으로 EURUSD 0-5 (평균 3) + ~ 4 포인트 수수료.
그리고 스왑은 이제 -7.7이며 일부 거래의 경우 롤오버마다 +3.1 포인트가 추가됩니다.
스프레드 + 스왑은 마크 업에서 고려되어야합니다. 훈련 중에 일부 거래가 성공한 것으로 간주하지 않기 때문에 모델이 더 나아질 수 있습니다.
즉, 스프레드 = 7pt에서는 50/50이 됩니다.
그리고 수익성있는 변형은 거래 당 평균 7 포인트 만 얻습니다.
ECN 계정에서 스프레드는 일반적으로 EURUSD 0-5 (평균 3) + ~ 4 포인트 수수료.
그리고 스왑은 이제 -7.7이며 일부 거래의 경우 롤오버마다 +3.1 포인트가 추가됩니다.
스프레드 + 스왑은 마크 업에서 고려되어야합니다. 훈련 중에 일부 거래가 성공한 것으로 간주하지 않기 때문에 모델이 더 나아질 수 있습니다.
그리고 스프레드를 어떻게 마크 업하든 나중에 각 거래에서 공제되는 경우 마크 업에서 스프레드를 어떻게 고려할 수 있습니까?
그리고 나중에 각 거래에서 어떻게 마크업하든 마크업에서 스프레드를 공제하는 경우 이를 고려하는 방법도 알아보세요.
따라서 마크업은 재무 결과를 기준으로 해야 합니다. 거래를 열고 닫고 결과를 마크 업으로 전송합니다.
또는 최악의 변수를 빼면 ECN의 EURUSD의 경우 7-10포인트, 다른 변수는 그 이상, 특히 교차. + 매일 스왑.
STD 계좌에서는 더 나쁩니다.
따라서 마크업은 재무 결과를 기준으로 해야 합니다. 거래를 오픈-청산하고 결과를 마크업으로 전송합니다.
또는 최악의 변수를 빼면 ECN의 EURUSD의 경우 7-10pt, 다른 변수는 그 이상, 특히 십자가의 경우 더 많을 수 있습니다. + 매일 스왑.
STD 계좌에서는 더 나쁩니다.
나는 그것을 마크 업으로 옮기고 훈련 후에도 여전히 스프레드가 나쁘다고 느낍니다.
원하는 게 뭔가요? 우리는 거의 무작위성을 가지고 작업하고 있습니다. 6개월 전에 여기에 던져진 코줄에 관한 첫 번째 책에서처럼 온도에 따른 아이스크림 수요를 연구하는 것과는 다릅니다)))))
무엇을 원하시나요? 우리는 거의 무작위로 일하고 있습니다. 코줄에서처럼 온도에 따른 아이스크림 수요를 조사하는 것과는 다릅니다))).
지커 001을 원해요.
Yandex
광범위한 문헌이 포함 된 품질과 흥미로운 기사 감사합니다.
그들은 흥미로운 종류의 불확실성, 즉 속성에 대한 출력의 확률 적 의존성을 고려하지 않는 것 같습니다. 그들은 두 가지 다른 유형의 불확실성, 즉 속성 및 매개 변수의 부정확성과 관련된 불확실성을 연구합니다. 그들은 아름답게 불립니다 - 알레 레이터 및 인식 불확실성) 우리는 비유로 우리의 변종 목표 불확실성을 호출해야합니다).
임호, 우리의 경우 속성의 '측정 오류'는 원칙적으로 존재하지 않으며, 모델 매개변수의 불확실성은 '목표 불확실성'과 잘 분리할 수 없습니다.