Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3075

Neuer Kommentar
 
Für jedes bedingte Objekt wird ein Propensity Score geschätzt, aus dessen Werten ein Gesamtkate-Score gebildet wird.
 
mytarmailS #:
Wenn es zum Beispiel ein Handelssystem gibt, das mit der Geschichte funktioniert....
Welche Stresstests können für dieses System entwickelt werden, um die Wahrscheinlichkeit zu erhöhen, dass es auch bei neuen Daten funktioniert?

Wie wäre es, wenn wir versuchen, diese Frage im Sinne des Artikels von Maxim zu beantworten?

https://arxiv.org/pdf/2201.12692.pdf
 
СанСаныч Фоменко #:

Wie wäre es, wenn Sie versuchen, diese Frage im Sinne des von Maxime angegebenen Artikels zu beantworten?

https:// arxiv.org/pdf/2201.12692.pdf

Der Stolz wird es nicht zulassen. Er hat das alles schon vor langer Zeit in 15 Minuten geschafft 🗿.

 
Maxim Dmitrievsky #:

Der Stolz wird es nicht zulassen. Ich meine, er hat das alles schon vor langer Zeit in 15 Minuten gemacht 🗿.

Hast du etwas benutzt, um diesen Artikel zu übersetzen? Ich habe es mit Yandex versucht, es ist tot.

 
Aleksey Vyazmikin #:

Haben Sie etwas benutzt, um diesen Artikel zu übersetzen? Ich habe es mit Yandex versucht, es ist tot.

mit deinem Kopf. Fragen Sie nach GPT, es ist manchmal besser kontextualisiert.

 
Maxim Dmitrievsky #:

mit Ihrem Kopf. Fragen Sie nach GPT, es passt sich manchmal besser an den Kontext an

Oh, ich bin im Rückstand - ich habe kein GPT :(((((

 
Aleksey Vyazmikin #:

Haben Sie etwas benutzt, um diesen Artikel zu übersetzen? Ich habe es mit Yandex versucht, es ist tot.

https://www.chatpdf.com/.

und dann die Übersetzung.

    Willkommen zu dieser informativen PDF-Datei über "Meta-Lernen für kausale Schätzungen"! In diesem Artikel untersucht Gabriel Okasa die Ergebnisse einer endlichen Stichprobe von Meta-Learnern zur Schätzung heterogener Behandlungseffekte. Lesen Sie weiter und erfahren Sie mehr über die Vorteile von Split Sampling und Cross-Fitting, um systematische Fehler zu reduzieren und die Effektivität von Meta-Learnern zu verbessern.

    Beispielfragen:
    Was sind Metastudien und wie helfen sie bei der Schätzung kausaler Effekte?
    Wie reduzieren Stichprobenaufteilung und Cross-Fitting den systematischen Overfitting-Fehler bei der Bewertung von Meta-Learnern?
    Was sind praktische Empfehlungen für den Einsatz von Meta-Learning bei kleinen und großen Stichprobengrößen?

    Was sind Metastudien und wie helfen sie bei der Schätzung kausaler Effekte?

    Beim Meta-Lernen handelt es sich um Algorithmen des maschinellen Lernens, die für die Schätzung kausaler Zusammenhänge entwickelt wurden. Sie funktionieren, indem sie von einer Reihe von Baseline-Learnern lernen, die ihrerseits maschinelle Lernalgorithmen sind, die Behandlungseffekte vorhersagen. Die Meta-Learner kombinieren dann die Vorhersagen dieser Basis-Learner, um eine Gesamtschätzung des kausalen Effekts zu erstellen. Dieser Ansatz kann dazu beitragen, systematische Fehler zu reduzieren und die Genauigkeit der Schätzungen des kausalen Effekts zu verbessern. Weitere Informationen zum Meta-Lernen finden Sie in Abschnitt 3.2 auf Seite 4.

    Wie verringern Stichprobenteilung und Cross-Fitting den systematischen Überanpassungsfehler bei Schätzungen aus Metastudien?

    Stichprobenteilung und Cross-Fitting sind zwei Methoden zur Verringerung des systematischen Überanpassungsfehlers bei der Bewertung von Metastudien. Bei der Aufteilung der Stichprobe werden die Daten in zwei oder mehr Teilmengen aufgeteilt, wobei eine Teilmenge zum Unterrichten der Basisschüler und eine andere Teilmenge zur Schätzung des kausalen Effekts verwendet wird. Bei der Kreuzanpassung wird jeder Baseline-Lerner auf einer anderen Teilmenge der Daten trainiert und dann jeder Lerner zur Vorhersage der Behandlungseffekte auf der anderen Teilmenge der Daten verwendet. Beide Methoden tragen dazu bei, Übertrainingsfehler zu reduzieren, indem sie verhindern, dass sich die Baseline-Learner an das Rauschen in den Daten erinnern. Weitere Informationen über Stichprobenaufteilung und Cross-Fitting finden Sie in Abschnitt 2.2 auf Seite. 3.

    Welche praktischen Empfehlungen gibt es für den Einsatz von Meta-Learning bei kleinen und großen Stichprobengrößen?
    In diesem Artikel werden praktische Empfehlungen für den Einsatz von Metastudien in empirischen Studien in Abhängigkeit von den spezifischen Merkmalen der Daten, wie z. B. dem Behandlungsanteil und der Stichprobengröße, vorgestellt. Bei kleinen Stichproben wird die Schätzung der gesamten Stichprobe bevorzugt, während bei großen Stichproben die Aufteilung der Stichprobe und die Kreuzanpassung zur Verringerung des systematischen Fehlers bzw. der Wirksamkeit des Meta-Learnings nützlich sind. Weitere Informationen zu diesen Empfehlungen finden Sie in Abschnitt 4 auf Seite. 5.
 
Aleksey Vyazmikin #:

Ich bin im Rückstand - ich habe kein GPT :(((((

Du hättest ihn bitten sollen, für sich selbst Code zu schreiben, nicht für uns ) noch besser als ein Student, kein Grund, ihn mit Wurst zu füttern

 
Valeriy Yastremskiy #:

https://www.chatpdf.com/

und dann die Übersetzung

    Willkommen zu dieser informativen PDF-Datei über "Meta-Learning zur Schätzung kausaler Effekte"! In diesem Artikel untersucht Gabriel Okasa die Ergebnisse des Finite-Sample-Meta-Learnings zur Schätzung heterogener Behandlungseffekte. Lesen Sie weiter und erfahren Sie mehr über die Vorteile von Split Sampling und Cross-Fitting, um systematische Fehler zu reduzieren und die Effektivität des Meta-Learnings zu verbessern.

Ich danke Ihnen. Ich habe die Datei heruntergeladen und sie fordert nun auf, Fragen auf Englisch zu stellen. Wie kann ich sie auf Russisch unterrichten?

 
Maxim Dmitrievsky #:

Du hättest ihn bitten sollen, den Code für sich selbst zu schreiben, nicht für uns) sogar besser als ein Student, kein Grund, ihn mit Wurst zu füttern

Guter Plan! Ich verstehe, dass Sie ein ausländisches Telefon brauchen, aber woher bekommen Sie es?

1...306830693070307130723073307430753076307730783079308030813082...3399
Neuer Kommentar