Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3356
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
Ich hatte gehofft, dass jemand den Tipp wenigstens googeln würde.
Es zeigt das Ergebnis des Modells auf "Wahrscheinlichkeits"-Bereichen mit 0,05 Schritt. CatBoost setzt die Klassentrennung ziemlich genau auf 0,5 (magnetta ist 1, aqua ist 0).
Sie können sehen, dass das Ergebnis der Flosse ab 0,35 positiv ist - die grüne Kurve steigt über die rote Kurve.
Ist es das, was Sie kalibrieren wollen - die Verschiebung des Punktes der Klassentrennung zum Punkt der Umsatzgenerierung?
Ist es genau das, was Sie kalibrieren wollen - die Verlagerung des Punktes der Klassenteilung auf den Punkt der Einkommenserzielung?
Nein.
Was ist dann der Zweck?
Ich glaube, jeder hat schon einmal von der Kalibrierung gehört, aber sie ist nicht von praktischem Nutzen, eben weil die Stichprobe nicht repräsentativ ist.
Eine probabilistische Schätzung der einzelnen Blätter führt meiner Meinung nach zu einem vernünftigeren Ergebnis als eine Neugewichtung der Summe der Blätter des Modells.
Ich glaube, jeder hat schon einmal von der Kalibrierung gehört, aber sie hat keinen praktischen Nutzen, weil die Stichprobe nicht repräsentativ ist.
Die probabilistische Schätzung der einzelnen Blätter ergibt meiner Meinung nach ein vernünftigeres Ergebnis als die Neugewichtung der Summe der Blätter des Modells.
Jeder hat alles gehört, aber niemand hat etwas geantwortet. Ganz zu schweigen von anderen Nuancen, die nicht offenbart werden, sondern nur erraten, dass es sich als dies herausstellt.
Jetzt kam mir die Idee einer konstanten Kalibrierung mit einer gewissen Gewichtung - etwas wie EMA für jedes Intervall. Dann gibt es zumindest einen Effekt der Anpassung an die Marktvolatilität und die Modellveralterung.
Ich sehe keinen Sinn in einer statischen Kalibrierung auf einigen separaten Daten. Bei meinen Prädiktoren habe ich die Frage der Stabilität der statistischen Indikatoren untersucht, und es gibt nur wenige solcher Indikatoren, und das Modell ist voll von solchen erratischen Prädiktoren. Deshalb suche ich nach Stabilität, auf die so etwas angewendet werden kann.....
Im Screenshot oben habe ich das Modell im Ausschnitt gezeigt - man kann sehen, wie niedrig der Recall an den Rändern in der Regel ist, was bereits für ungleiche statistische Maße bei gleicher Gewichtung spricht, und oft werden sie nicht ausreichen, um auch nur theoretisch von Stabilität in diesem Bereich der "Wahrscheinlichkeit" zu sprechen. Auch unter diesem Gesichtspunkt erscheint die Kalibrierung der Gesamtsumme also als fragwürdige Idee.
Ich interessiere mich mehr für die Idee der Neugewichtung von Werten in Blättern, aber ich habe schon früher darüber geschrieben, aber ich habe hier keine Rückmeldung erhalten - es ist also alles auf meine eigene....
https://education.yandex.ru/handbook/ml/article/veroyatnostnyj-podhod-v-ml
https://education.yandex.ru/handbook/ml/article/kak-ocenivat-veroyatnosti