Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2978

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

Hmmm, woher sollte er mehr darüber wissen :)

Ich habe gerade über die geringere Anzahl korrekt klassifizierter schlechter Beispiele aufgrund ihrer Klassifizierungsgenauigkeit geschrieben.

Sein Code dort ist sehr schwer zu lesen, aber man kann ihn im Allgemeinen herausfinden. Ich denke, für sein persönliches Verständnis von MO ist das ein sehr guter Anreiz. Und reproduzierbarer Code ist sehr wichtig für das Verständnis des Prozesses. Vor allem, wenn man etwas Eigenes machen will.

Ja, das ist es, was passiert - verschwendete Jahre.

Nun, bis jetzt gibt es nichts zu diskutieren. Das steht alles in dem Buch von Sutton und Barto und dann in RL. Aber die Bände sind erstaunlich, diese Jungs arbeiten an der Uni für einen guten Lohn. Was für ein Kopf sollte es sein, es würde in die richtige Richtung gehen :) Interessiert an erschöpften Ansätzen, basierend auf Erfahrungen der Anwendung.

Wie sie sagten, MO im Handel hat sich bereits aus dem Untergrund in den Mainstream bewegt, aber immer noch auf der Ebene der Tester Grals. Und das Indikatorenfieber ist vorbei :)

[mytarmailS]

https://youtu.be/_j5HP2wrBPE

Ich verstehe nicht viel davon, aber es sieht gut aus.

[mytarmailS]

Was ist es, wenn nicht eine Fantasie auf minimal, in Frage gestellt im Code

https://youtu.be/9nvQlrAqpMU

[СанСаныч Фоменко]

Igor Ashmanov über den Sprachassistenten Alice

Über zwei grundlegend unterschiedliche Ansätze für KI-Programme.

[Maxim Dmitrievsky]

Endlich gibt es einen guten Leitfaden über Casual.

Er beantwortet die Frage, warum ML nur für die Vorhersage, aber nicht für die Kausalität geeignet ist.

ML ist notorisch schlecht bei dieser Art von Problemen der umgekehrten Kausalität. Sie erfordern die Beantwortung von "Was wäre wenn"-Fragen, die Ökonomen als kontrafaktisch bezeichnen. Was würde passieren, wenn ich statt des Preises, den ich derzeit für meine Ware verlange, einen anderen Preis ansetzen würde? Was würde passieren, wenn ich statt der fettarmen Diät, die ich gerade mache, eine zuckerarme mache? Wenn Sie in einer Bank arbeiten und Kredite gewähren, müssen Sie herausfinden, wie sich Ihre Einnahmen ändern, wenn Sie die Kundenlinie ändern. Oder wenn Sie in der Kommunalverwaltung arbeiten, werden Sie vielleicht gebeten herauszufinden, wie man das Schulsystem verbessern kann. Sollen Sie jedem Kind ein Tablet geben, weil das Zeitalter des digitalen Wissens Ihnen das vorschreibt? Oder sollten Sie eine altmodische Bibliothek einrichten?

Im Mittelpunkt dieser Fragen steht eine kausale Untersuchung, auf die wir die Antwort wissen wollen. Kausale Fragen durchdringen alltägliche Probleme, wie z. B. herauszufinden, wie man den Umsatz steigern kann. Sie spielen aber auch eine wesentliche Rolle bei Dilemmas, die uns persönlich am Herzen liegen: Muss ich eine teure Schule besuchen, um im Leben erfolgreich zu sein (führt Bildung zu Einkommen)? Verringert die Einwanderung meine Chancen auf einen Arbeitsplatz (führt die Einwanderung zu einem Anstieg der Arbeitslosigkeit)? Senkt ein Geldtransfer an die Armen die Kriminalitätsrate? Dabei spielt es keine Rolle, in welchem Bereich Sie tätig sind. Es ist sehr wahrscheinlich, dass Sie irgendeine Art von Kausalfrage beantworten mussten oder müssen. Leider können wir uns in der ML nicht auf korrelative Vorhersagen verlassen, um diese Fragen zu beantworten.

[mytarmailS]

Maxim Dmitrievsky #:

Endlich habe ich einen guten Freizeitführer.

Er beantwortet die Frage, warum MO nur für die Vorhersage, aber nicht für die Kausalitätssuche geeignet ist.

Nun, wenn ein Algorithmus eine Stichprobe nicht vorhersagen kann, dann hat er keinen Wert, und es hat keinen Sinn, ihn zu erklären.

Die Fähigkeit zur korrekten Vorhersage ist also die erste Voraussetzung dafür, dass man überhaupt etwas mit den Daten anfangen kann.

Ist das nicht so?

[Aleksey Nikolayev]

Maxim Dmitrievsky #:

Endlich habe ich einen guten Freizeitführer.

Vor allem sieht es aus wie eine "überflüssige" Matstat)

Grundsätzlich wird vorgeschlagen, sich anzuschauen, welche Methoden z.B. in der evidenzbasierten Medizin verwendet werden und zu versuchen, diese auf die eigene Aufgabe anzuwenden.

[Maxim Dmitrievsky]

mytarmailS #:

Nun, wenn ein Algorithmus eine Stichprobe nicht vorhersagen kann, dann hat er keinen Wert, und es macht keinen Sinn, ihn zu erklären.

Die Fähigkeit zur korrekten Vorhersage ist also die erste Voraussetzung dafür, dass die Daten überhaupt angefasst werden können.

Ist das nicht so?

Sie wissen schon, wie bei Kausalitätstests. Man kann die Sätze isolieren, die funktionieren, so wie ich es verstehe.

Es ist interessant, einen Automaten zu bauen, der alles selbst macht. Vielleicht könnte ich etwas von dort verwenden.

[Maxim Dmitrievsky]

Aleksey Nikolayev #:

Am ehesten eine "unnötige" Matte)

Im Grunde geht es darum, zu sehen, welche Methoden zum Beispiel in der evidenzbasierten Medizin verwendet werden, und zu versuchen, sie auf Ihre Aufgabe anzuwenden.

Ich bin mit dieser Wissenschaft auch noch nicht vertraut, aber sie wird im Internet immer mehr gelobt.

Es gibt Dinge über Meta-Lerner und duales maschinelles Lernen. Es ist dem, was ich bisher gemacht habe, sehr ähnlich und hat mir gefallen.

Ich glaube nicht, dass es schlechter ist als die Vorhersage des muving lstm-cnn network :)

[mytarmailS]

Als eine der Variablen der Fitnessfunktion.

Die Aufgabe für AMO ist es, so zu trainieren, dass die Vorhersage auf der Grundlage des Eigenkapitals des AMO-Handels so gut wie möglich war.

Ich möchte keine schöne Kurve des Eigenkapitals auf der Geschichte, aber ich möchte eine zuversichtliche Prognose in den zukünftigen Handel zu bekommen...

Vorhersage mit Konfidenzintervallen, der gleiche statistische Test...

Ich habe zwei Algorithmen für die Vorhersage verwendet, Auto Arima und Holt.

Hier sehen Sie den Bereich, in dem die Prognose "garantiert Wachstum" des Eigenkapitals.