Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2585
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Interessant, aber nicht klar, wo man anfangen soll. Der Verlust sollte auf einigen Vorstellungen über Marktmuster beruhen. Nun, man kann zum Beispiel Korrekturen an der Volatilität vornehmen.
Ich denke, wir sollten ganz einfach anfangen - Klassifizierung durch logistische Regression in zwei Klassen (Eintritt/Austritt) und mit einer kleinen Anzahl von Attributen. Nur um zu sehen, warum das Thema nicht sehr beliebt ist.
Für die Auswahl der Modelle werden benutzerdefinierte Metriken verwendet, aber das Lernen erfolgt immer noch anhand von Standardmetriken (z. B. logloss für die Klassifizierung). Denn Ihre Metriken beziehen sich nicht auf die Beziehung zwischen Merkmal und Ziel, während die Standardmetriken dies tun. Und hier ist es irgendwie unklar, ob man dann Modelle nach Sharpe Ratio oder R2 auswählen soll, oder ob man sofort aufhören soll zu lernen, wenn man sie maximiert. Man kann wahrscheinlich beides machen.
Ein völliger Irrtum, ich schäme mich ein wenig für Sie...
Dennoch wäre es interessant, mit der Abschaffung der Standardmetriken zu experimentieren und sie durch ähnliche Metatrader-Optimierungsmetriken zu ersetzen. Dazu müsste ich wahrscheinlich auf eine niedrigere Ebene gehen und direkt mit Optimierungspaketen arbeiten.
Das ist es, was ich Ihnen seit mehr als einem halben Jahr sage: Es ist besser, AMO durch FITNESS FUNCTION zu trainieren!
Totale Verblendung, ich schäme mich irgendwie für dich...
Sie haben soeben die japanische Scham für die gesamte Weltgemeinschaft zum Ausdruck gebracht. ) Es gibt eine große Anzahl von benutzerdefinierten Metriken, aber das Haupttraining besteht darin, den Logloss zu minimieren. Das Lernen durch benutzerdefinierte Einstellungen wird gestoppt. Die Anpassung der Basis an die benutzerdefinierten ist großartig, es macht keinen Sinn, sich darüber aufzuregen. Studium, Student.
Ich bin ein lebenslanger Student.
Studieren, lebenslanges Lernen
Logloss zeigt die Menge an gegenseitiger Information zwischen den Merkmalen und dem Ziel, soweit ich es verstehe. Dies ist der objektivste f-Wert, ohne die Art der Abhängigkeit zu beschreiben. Das Modell wird so trainiert, dass der Verlust solcher Informationen minimiert wird, insbesondere das Boosten funktioniert auf diese Weise.
Beispiel...
Es gibt einen Merkmalsdatenrahmen "X".
Es gibt ein Modell "M".
Es gibt 5 Zeitreihen "tc5".
Die Aufgabe lautet.
Modell "M" nimmt "X" als Eingabe (alles ist wie üblich)
und "M" gibt zwei Vektoren aus, die sein sollten
1) maximal stakionär
2) möglichst nicht mit allen "Мc5"-Vektoren korrelieren
Sie haben kein Targeting in seiner üblichen Form, sondern Anforderungen an die Outputs des Modells...
Wir machen keine Vorhersagen über Preise, zz, Renditen usw., das ist ein ganz anderes Thema.
Wie werden Sie dies mit Ihrem Boost lösen?
Beispiel...
Es gibt einen Merkmalsdatenrahmen "X".
Es gibt ein Muster "M"
Es gibt 5 Zeitreihen "tc5".
Die Aufgabe lautet.
Modell "M" nimmt "X" als Eingabe (alles ist wie üblich)
und "M" gibt zwei Vektoren aus, die sein sollten
1) maximal stakionär
2) möglichst nicht mit allen "Мc5"-Vektoren korrelieren
Sie haben kein Targeting in seiner üblichen Form, sondern Anforderungen an die Outputs des Modells...
Wir prognostizieren keine Preise, zz, Renditen undpr, das ist ein ganz anderes Lied
Wie werden Sie so etwas mit Ihrem Boost out of the box lösen?
Durch Aufzählung der Ziele wird die Aufgabe umgekehrt
1) Sie lehren das Modell Millionen von Malen und sehen, was passiert?
Ja, gut, Ziel nehmen von der Decke, oder f-u. Sie machen das Training rückwärts, soweit ich das aus der Beschreibung verstehe. Was ist der Vorteil gegenüber der klassischen Variante? Diese Frage muss beantwortet werden.
))))
Ich bin raus)