Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3131
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
Sie haben teilweise Recht, aber ich verstehe die Philosophie des Umschichtens nicht - es funktioniert sicherlich, wenn es kein unwiederbringliches Abdriften gibt, zum Beispiel bei der Zyklizität.
Zunächst möchte ich die verschiedenen Arten von Drift klassifizieren und dann einzeln bearbeiten - wenn die Ursache bekannt ist, können wir einen Weg finden, sie zu beseitigen. Und wenn nicht beseitigen, dann aufspüren (Detektion).
Die Randomisierung beseitigt die Verzerrung zwischen Test und Kontrolle, danach wird die Wirkung des Prädiktors bewertet.
Wenn die Verzerrung nicht vorher beseitigt wird, handelt es sich um eine assoziative Beziehung, nicht um eine kausale Beziehung.
Können all diese wunderbaren Inhalte in einen separaten Thread gestellt werden?
Ich bin fertig
Können Sie mir so etwas zeigen?
Wenn es so häufig vorkommt.
Endlich!
Das ist doch schon mal ein Anfang.
Was kommt als Nächstes?
Was ist daran so schwierig? Das Springen zwischen den Maßstäben ist etwas, das wir schon einmal gemacht haben, es gibt hier keine Geheimnisse. Ich bin auf der Suche nach komplizierteren Dingen, und ein Bild mit nur einem Deal offenbart in keiner Weise die Essenz des ganzen Bildes.
Ich verstehe.
Es ist nicht schwer, Briefe zu schreiben.
Ich habe verstanden.
Es ist natürlich nicht schwer zu buchstabieren.
Haben Sie meine freiberufliche Arbeit gesehen?))))
Haben Sie meine freiberufliche Arbeit gesehen?))))
Welche Methode kann verwendet werden, um die Qualität der Angebote zu beurteilen, wenn man ein Freiberuflerprofil sieht?
Durch die Randomisierung wird die Verzerrung zwischen Test und Kontrolle beseitigt, woraufhin der Einfluss der Prädiktoren geschätzt wird.
Wenn die Verzerrung nicht vorher beseitigt wird, ist sie eher assoziativ als kausal.
Der Goldstandard
In der letzten Lektion haben wir uns angesehen, warum und wie sich Assoziation von Kausalität unterscheidet. Wir haben auch gesehen, was erforderlich ist, damit aus einer Assoziation eine kausale Beziehung wird.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} BEREINIGUNG.
Es sei daran erinnert, dass Assoziation zu Kausalität wird, wenn es keine Verzerrung gibt. Eine Verzerrung liegt nicht vor, wenn E[Yo T = 0] = E[Yo T = 1]. Mit anderen Worten: Die Assoziation ist kausal, wenn die behandelten und die Kontrollpatienten bis auf die Behandlung gleich oder vergleichbar sind. Oder, um es technisch auszudrücken
Oben sehen Sie eine Übersetzung des Bildes.
Zunächst einmal verstehe ich nicht, an welchem Punkt Sie die Stichprobe in zwei Teilstichproben aufteilen wollen.
Als nächstes - anscheinend gibt es hier eine spezielle Terminologie, Kausalität ist eine direkte Wirkung auf ein Ergebnis - vielleicht nicht einmal mehr ein probabilistisches Muster. Eine assoziative Beziehung ist entweder ein Auslöser der Ursache oder ein assoziiertes Merkmal und ist normalerweise probabilistisch.
Ich verstehe die Formel nicht - können Sie den Punkt in menschlichen Begriffen ausdrücken?
Aber der Sinn dieser Methoden (UpLift) ist es, den Faktor zu schätzen, der das Ziel ausschließlich beeinflusst hat. Ich verstehe, dass der Grad des Einflusses bewertet wird. Nehmen wir an, dass wir in unserem Fall einen solchen Faktor nicht kennen und alles durchgehen - wir erhalten einige Messungen als Ergebnis. Und was schlagen Sie vor, damit zu tun? Schlechte Indikatoren ausschließen?
Wie können wir das bei einer allmählichen Verschiebung der Daten nutzen?
Ich schließe es nicht aus, vielleicht haben Sie etwas Geniales gefunden, aber ich habe den Gedankengang noch nicht verstanden.
Der Goldstandard
In der letzten Lektion haben wir uns angesehen, warum und wie sich Assoziation von Kausalität unterscheidet. Wir haben auch gesehen, was erforderlich ist, damit eine Assoziation eine kausale Beziehung darstellt.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} BEREINIGUNG.
Es sei daran erinnert, dass Assoziation zu Kausalität wird, wenn es keine Verzerrung gibt. Eine Verzerrung liegt nicht vor, wenn E[Yo T = 0] = E[Yo T = 1]. Mit anderen Worten: Die Assoziation ist kausal, wenn die behandelten und die Kontrollpatienten bis auf die Behandlung gleich oder vergleichbar sind. Oder, um es etwas technischer auszudrücken
Oben ist eine Übersetzung des Bildes.
Zunächst einmal kann ich nicht verstehen, an welchem Punkt Sie die Stichprobe in zwei Teilstichproben aufteilen wollen.
Als nächstes - offenbar gibt es hier eine spezielle Terminologie, Kausalität ist ein direkter Einfluss auf das Ergebnis - vielleicht nicht einmal mehr ein probabilistisches Muster. Ein assoziativer Zusammenhang ist entweder ein Auslöser der Ursache oder ein assoziiertes Merkmal und ist in der Regel von probabilistischer Bedeutung.
Ich verstehe die Formel nicht - können Sie mir den Kern der Sache in menschlichen Begriffen erklären?
Aber der Sinn dieser Methoden (UpLift) ist es, den Faktor zu schätzen, der das Ziel ausschließlich beeinflusst hat. Ich verstehe, dass der Grad des Einflusses bewertet wird. Nehmen wir an, dass wir in unserem Fall einen solchen Faktor nicht kennen und alles durchgehen - wir erhalten einige Messungen als Ergebnis. Und was schlagen Sie vor, damit zu tun? Schlechte Indikatoren ausschließen?
Wie kann man sie im Falle einer allmählichen Verschiebung der Daten verwenden?
Ich schließe nicht aus, vielleicht haben Sie sich etwas Geniales einfallen lassen, aber ich habe den Gedankengang noch nicht verstanden.
Du kannst chatgpt um die Dekodierung der Formel bitten, wenn du eines der Symbole nicht verstehst.
Y|T = 1 - Ergebnisse der Testgruppe (mit Tritment)
Y|T = 0 - Kontrollgruppe (ohne)
Y - Klassenetikett, Y0,Y1 - Klassenetiketten ohne und mit dem Tritment.
T - in das Modell eingeführtes Tritment (einschließlich Prädiktor) oder nicht eingeführtes Tritment (1;0)
E - Erwartung
Aufteilung an einem beliebigen Punkt, wenn Sie durch Test und Trainee teilen
Wenn Sie nicht mischen, erhalten Sie eine verzerrte Schätzung von ATE+Bias
ATE ist der durchschnittliche Behandlungseffekt der Exposition
sleepy, vielleicht habe ich die Buchstaben an einigen Stellen verwechselt, aber die Logik sollte klar sein
bard von Google gefällt mir übrigens besser als gpt. Es kann googeln und es ist kostenlos.
aber es unterstützt nur Englisch und vpn in den USA oder England, in anderen Ländern funktioniert es nicht.
Und grundsätzlich, wer sind openAI und wer sind die Googles. Wahrscheinlich unterschiedliche Gewichtsklassen.