Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1843

 
Mihail Marchukajtes:

Denken Sie nicht, dass niemand Sie ausschließt, es ist nur so, dass es hier bestimmte Leute gibt, die Demagogie nicht ausstehen können. KI-Systeme sind in der Lage, eine nicht offensichtliche Antwort zu geben, aber es handelt sich immer noch um eine exakte Wissenschaft, bei der 1+1=2 ist, und nicht um eine ungefähre, vermeintliche oder andere. Genauso ist der Markt eine sehr konkrete Aktivität, bei der es tatsächliche Nachrichten und Pseudo-Lehren gibt. Wie zum Beispiel die von Yusuf.

Wenden wir uns an Wikipedia, vertrauen Sie ihr?

Markt - eine Reihe von Prozessen und Verfahren, die den Austausch zwischen Käufern (Verbrauchern) und Verkäufern(Anbietern) von bestimmten Waren und Dienstleistungen gewährleisten.

Vielleicht sind also Informationen über das Verhältnis zwischen Käufern und Verkäufern wichtiger als Wellen, Stochastik, Bollinger usw.? Was meinen Sie dazu? Wissen Sie, es gibt viele Pseudo-Experimente, die versuchen, den Spitzenplatz.... Ich denke, ich werde noch ein Video machen, aber diesmal ist es ein Text. Und ich glaube, ich muss etwas am Sound machen. Mann, niemand weiß, warum die gopro den Ton mit noise???? schreibt.

Auch Ausreden lesen)).

 
Uladzimir Izerski:

Ich habe sogar die Ausreden gelesen)).

Hallo Wolodja, wie geht es dir, wie viele Millionen hast du verdient?)
 

Wissen Sie, neulich kam mir ein Gedanke.

Die Qualität des von mir geposteten Videos lässt sehr zu wünschen übrig, aber nach den Zuschauern zu urteilen, ist niemand an hochtrabenden Dingen und wissenschaftlichen Argumenten interessiert. Jeder ist daran interessiert, eine schöne Tussi zu sehen, die eine halbe Stunde lang über die Abschaffung der Selbstisolierung im Gorki-Park redet. Es hat buchstäblich vor meinen Augen in 24 Stunden 500.000 Aufrufe gegen meine 70. Fazit: Wissenschaftliche Themen sind heutzutage nicht beliebt. Die Hauptsache ist ein hübsches Gesicht und eine angenehme Stimme, und niemand interessiert sich für KI. Schade :-(

 
elibrarius:

Ich hätte gerne einen Rat von Ihnen allen.
Im Darch-Paket habe ich die folgende Option der Modellauswertung gefunden:
Wir berechnen den Fehler auf der Strecke und auf den Oob-Abschnitten.
Dann wird der endgültige Fehler wie folgt berechnet:
err = oob_error * comb_err_tr + train_err * (1 - comb_err_tr);

Meiner Meinung nach sollte die Ausbildung durch den Durchschnittswert der Vollständigkeits- und Genauigkeitsindikatoren für die gesamte Stichprobe kontrolliert werden, wobei die Stichprobe in Fenster von z.B. 10%-20% unterteilt wird. Ich selbst wähle die Blätter nach dieser Methode aus, aber ich berücksichtige auch das finanzielle Ergebnis.

 
Mihail Marchukajtes:

Wissen Sie, neulich kam mir ein Gedanke.

Die Qualität des von mir geposteten Videos lässt sehr zu wünschen übrig, aber nach den Zuschauern zu urteilen, ist niemand an hochtrabenden Dingen und wissenschaftlichen Argumenten interessiert. Jeder ist daran interessiert, eine schöne Tussi zu sehen, die eine halbe Stunde lang über die Abschaffung der Selbstisolierung im Gorki-Park spricht. Es hat buchstäblich vor meinen Augen in 24 Stunden 500.000 Aufrufe gegen meine 70. Fazit: Wissenschaftliche Themen sind heutzutage nicht beliebt. Die Hauptsache ist ein hübsches Gesicht und eine angenehme Stimme, und niemand interessiert sich für KI. Schade :-(

Niemand will die Wahrheit, Misha )). Alle wollen schöne Illusionen.

Sie müssen nicht selbst ein hübsches Dummchen sein - erwecken Sie den Eindruck eines Betrachters, schalten Sie seine Phantasie ein und sagen Sie dann die Wahrheit ))

Das einzige, was Sie stört, ist ein Presslufthammer im Hintergrund.)

 
Maxim Dmitrievsky:

Niemand will die Wahrheit, Misha )) Alle wollen schöne Illusionen.

Du musst nicht selbst ein hübscher Nippel sein - erschaffe eine Idee im Kopf des Zuschauers, schalte seine Vorstellungskraft ein und schneide dann die Wahrheit heraus).

Nur ein Presslufthammer im Hintergrund stört )

Nun, ja, ich werde mich um den Ton separat kümmern...
 
Aleksey Vyazmikin:

Meiner Meinung nach sollte die Ausbildung überwacht werden, indem die Vollständigkeit und Genauigkeit der gesamten Stichprobe gemittelt wird, wobei die Stichprobe in Fenster von z.B. 10%-20% unterteilt wird. Ich selbst wähle die Blätter nach dieser Methode aus, aber ich berücksichtige auch das finanzielle Ergebnis.

Dies ist eine Kreuzvalidierung. Sie können auch eine Vorwärtsbewegung durchführen, so dass die Validierungsmenge immer später als die Trainingsmenge ist.
Lassen Sie uns die Terminologie klären:
- Genauigkeit, Sie meinen Standard Accuracy (Anteil der richtig klassifizierten Beispiele)
- Vollständigkeit. Ist es die Anzahl der Beispiele/Stichprobengröße für das Training? Wie wählt man sie aus? Durch Auswahl?

 
elibrarius:

Dies ist eine Kreuzvalidierung. Sie können auch eine Vorwärtsbewegung durchführen, so dass die Validierungsmenge immer später als die Trainingsmenge ist.

Es ist wichtig, die Robustheit des Signals über die gesamte Stichprobe hinweg zu prüfen und nicht nur das Endergebnis zu betrachten - es gibt verschiedene Methoden, von denen ich eine kurz beschrieben habe.

elibrarius:

Lassen Sie uns die Terminologie klären:
- Genauigkeit, Sie meinen Standard Accuracy (Anteil der richtig klassifizierten Beispiele)
- Vollständigkeit. Ist es die Anzahl der Beispiele/Stichprobengröße für das Training? Wie wählt man sie aus? Durch Auswahl?

Präzision ist Genauigkeit und Recall ist Vollständigkeit. Diese Zahlen sind wichtig, wenn es mehr als eine Klasse gibt und wenn die Signalklasse zu der Menge gehört. Zum Beispiel, wenn die dreifache Klassifizierung - kaufen(1)/warten(0)/verkaufen(-1) oder Volatilität suchen - wird es eine starke (1) Bewegung oder eine schwache (0). Wenn die beiden Klassen in der Logik gleichwertig sind, wird die Bedeutung dieser Indikatoren ein wenig unscharf.

Метрики в задачах машинного обучения
Метрики в задачах машинного обучения
  • habr.com
В задачах машинного обучения для оценки качества моделей и сравнения различных алгоритмов используются метрики, а их выбор и анализ — непременная часть работы датасатаниста. В этой статье мы рассмотрим некоторые критерии качества в задачах классификации, обсудим, что является важным при выборе метрики и что может пойти не так. Метрики в задачах...
 

Wie geht es Maximeka? Haben Sie etwas gelesen? Irgendwelche Kürzungen?

Ein etwas besserer Ansatz, auch bessere Ergebnisse... Alle Eingaben zeigten + :))


Aber es gibt Probleme...

1) Es gibt nicht genügend Signale.

2) Das Modell stirbt mit der Zeit.


Aber ich glaube, ich habe begonnen, etwas in diesem verdammten Markt zu verstehen, und der Durchbruch ist nicht mehr weit entfernt ))

 
Aleksey Vyazmikin:

Es ist wichtig, die Robustheit des Signals über die gesamte Stichprobe zu prüfen und nicht nur die endgültige Zahl zu betrachten - es gibt verschiedene Methoden, von denen ich eine kurz beschrieben habe.

Präzision ist Genauigkeit und Recall ist Vollständigkeit. Diese Indikatoren sind wichtig, wenn es mehr als eine Klasse gibt und wenn die Signalklasse zu der Menge gehört. Im Falle einer dreifachen Klassifizierung - Kaufen(1)/Warten(0)/Verkaufen(-1) oder Volatilitätssuche - gibt es zum Beispiel eine starke(1) oder eine schwache(0) Bewegung. Wenn in der Logik die beiden Klassen gleich sind, dann wird die Bedeutung dieser Indikatoren ein wenig verwischt.

Danke. Ich habe Precision verwendet und nannte es (für mich) Accuracy (Genauigkeit) für eine Klasse. Ich werde es jetzt mit den üblichen Begriffen bezeichnen).
Und im Allgemeinen kann die Präzision als eine grundlegende Metrik betrachtet werden, wenn es eine Klasse "Warten" gibt. Fehler in der Präzision sind direkte Verluste durch falsche Klassifizierung.
Und Rückruf bedeutet entgangene Gewinne, d. h. wir haben abgewartet, anstatt zu handeln.
Im Endeffekt geht es darum, F1 zu maximieren, um den besten Wert mit einem Minimum an Vorhersagefehlern und einem Minimum an entgangenen Gewinnen zu finden.