Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3359

 
СанСаныч Фоменко #:

Was hat England damit zu tun?

Du scheinst ein qualifizierter Mann zu sein, aber du schleppst dich immer zum Mülleimer.

Sie machen sehr selten substanzielle Einwände...

Ich habe es aus seinem Webinar. Was ist denn sonst substanziell?
Außerdem sind alle Methodennamen da, man kann sie googeln. Er sprach über 2 seiner Lieblingsmethoden.
Er hat viele Kurse gemacht, ging für einen Teilzeitjob nach England. Google oder Meth, ich kann mich nicht mehr erinnern. Für mich sind die lokalen Gesprächspartner der Müll :)

Ich habe Freunde in guten Positionen in der IT, obwohl ich selbst weit davon entfernt bin. Einer von ihnen hat die gesamte Bankeninfrastruktur aufgebaut. Von Zeit zu Zeit belagern sie mich wegen irgendeines Unsinns, manchmal sind sie von meinem Wissen überrascht. Daher auch das Interesse am Verteidigungsministerium. Es ist also alles sauber und aufgeräumt.

Ich habe mit diesem Bereich nichts zu tun, wenn überhaupt. Nur so zum Spaß. Ich habe null Mathe-Hintergrund, rein nach Intuition. Ich meine, ich würde nicht einmal ein Matheprogramm der Oberstufe bestehen. Und auch keine Programmiermuster.

Wenn ihr einen Hardcore-MOSHnik hierher bringt, wird er euch alle in die Luft jagen. Wenn du mich also nicht verstehst, wird er für dich Gott sein. Aber er wird definitiv nicht in diesen Zoo kommen :) und er schert sich nicht um dein R von einem hohen Glockenturm.

Und das erste, womit er anfangen wird, ist, dass ihr hier alle Krüppel seid, da ihr auf dieser Forex sitzt :)
 

Klassifizierer wie die Support-Vektor-Methode und Entscheidungsbäume verfügen über die Funktion predict_proba, weil sie auf der Grundlage ihrer internen Merkmale Schätzungen der Klassenwahrscheinlichkeiten liefern können. Diese Wahrscheinlichkeitsschätzungen sind jedoch möglicherweise nicht ganz genau oder spiegeln nicht die tatsächliche Zuverlässigkeit des Klassifizierers wider.


Bei der Support-Vektor-Methode beispielsweise kann dieFunktion predict_proba Wahrscheinlichkeitsschätzungen auf der Grundlage des Abstands zur trennenden Hyperebene zurückgeben, aber diese Werte können aufgrund von Merkmalen der Methode selbst verzerrt sein.


Bei Entscheidungsbäumen kann die Funktionpredict_proba die Klassenwahrscheinlichkeiten auf der Grundlage der Anzahl der Objekte jeder Klasse in den Blattknoten berechnen, aber diese Wahrscheinlichkeiten sind aufgrund der Struktur des Baums möglicherweise nicht ganz genau.


Obwohl diese Klassifikatoren über eine predict_proba-Funktionverfügen , können die von ihnen gelieferten Wahrscheinlichkeiten daher weniger zuverlässig sein als bei Methoden, die auf einem probabilistischen Modell basieren, wie z. B. einem naiven Bayes-Klassifikator oder einer logistischen Regression.

 

Ich präsentiere ein kleines Experiment für <entfernt vom Moderator>.

Irgendein Modell trainiert, egal welches, ohne Kalibrierung verbessert es seine Eigenschaften nicht, wenn der Schwellenwert erhöht wird. Die Deals werden weniger, der Gewinn wächst nicht.

Kalibriert in der verfügbaren Weise, lief mit verschiedenen Schwellenwerten. Kalibrierung war nach 2015, alles davor ist OOS.

Die Methode ist maßgeschneidert, ich habe sie mir selbst ausgedacht. Dann werde ich es mit den bekannten vergleichen, denn es gibt eine kleine Schwierigkeit in ihrem Export zu MT5, dann werde ich entscheiden.

Schwelle 0,5

0.6

0.7

Ein einfaches Beispiel dafür, dass die Kalibrierung auch von anfänglich schwachen Modellen zu einem Ergebnis führt.

CHTD

Машинное обучение в трейдинге: теория, модели, практика и алготорговля - Хорошие свойства у имеющегося классификатора должны соответствовать изучаемым данным.
Машинное обучение в трейдинге: теория, модели, практика и алготорговля - Хорошие свойства у имеющегося классификатора должны соответствовать изучаемым данным.
  • 2023.12.25
  • www.mql5.com
это просто способ привести аутпуты в вероятностый вид. потому что использование сырых вероятностей модели вообще бесполезно. переход к чисто вероятностной постановке задач в трейдинге давно созрел и даже слегка перезрел
 
Es gibt auch einen Trick, um ein Modell, das auf anderen Daten trainiert wurde, auf seine Etiketten zu kalibrieren. In einigen subtilen Situationen, die ich nicht erläutern werde, hat dies eine gute Wirkung.
 
mytarmailS #:
Was ist Kalibrierung?
h ttps://stats.st ackexchange.com/questions/552146/probability-calibration-of-statistical-models
Wie man kalibriert
https://www.tidy models.org/learn/models/calibration/

h ttps://mlr.mlr- org.com/articles/tutorial/classifier_calibration.html

Lesen Sie die Artikel, lesen Sie die Artikel über die Links.

Seltsamer Eindruck.

Den Artikeln zufolge geht es bei der Kalibrierung um die Glättung auf die eine oder andere Weise. Und was ist besser als die Festlegung von Schwellenwerten für geglättete Wahrscheinlichkeiten und für ungeglättete Wahrscheinlichkeiten? Es gibt keine Schätzung, obwohl es für mich eine Schätzung des Klassifikationsfehlers gibt.

 
Es scheint sich herauszustellen, dass es durchaus möglich ist, für jede Regression zu kalibrieren, nicht nur für die, die "Wahrscheinlichkeiten" erzeugt. Ich frage mich, ob das überhaupt Sinn macht.
 
Aleksey Nikolayev #:
ob das überhaupt Sinn macht.
Das ist die wichtigste Frage
 

Neues Geschäft - Verkauf von Prädiktoren


 
Maxim Dmitrievsky #:

Ein einfaches Beispiel ist, dass die Kalibrierung selbst von anfänglich schwachen Modellen zu einem Ergebnis führt.

Die Kalibrierung ist ein Mechanismus zur Interpretation der Leistung des Modells, der auf bestimmte Daten abgestimmt ist.

An sich ändert sie die Ausgangswerte des Modells nicht. Die Variante, bei der nach der Quantisierung die Bereiche aufgrund eines Spikes im Klassenanteil neu geordnet werden - das habe ich bei Modellen noch nicht gesehen - alles läuft immer glatt. Vielleicht tritt das auf, wenn man es in 100 Segmente unterteilt....

Laut sim führt die Kalibrierung im Allgemeinen zu einer Verschiebung des Punktes 0,5 - eher zur größeren Seite hin. Ohne Kalibrierung können Sie also einen solchen Punkt finden - warum Sie das nicht getan haben, ist ziemlich unklar, vor allem, wenn Sie für alle Positionen den gleichen Take Profit und Stop Loss haben. Wenn das nicht der Fall ist, brauchen Sie einen ganz anderen Ansatz - Kalibrierung mittels Erwartungsmatrix :)

 
Aleksey Vyazmikin #:

Die Kalibrierung ist ein Mechanismus zur Interpretation der Modellleistung, der auf bestimmte Daten abgestimmt ist.

An sich ändert sie nichts an den Ausgangswerten des Modells. Die Variante, dass nach der Quantisierung die Bereiche aufgrund eines sprunghaften Anstiegs des Klassenanteils neu geordnet werden, habe ich bei den Modellen noch nicht gesehen - es läuft immer alles reibungslos ab. Vielleicht, wenn Sie durch 100 Segmente teilen, dann wird dies auftreten....

Laut sim führt die Kalibrierung im Allgemeinen zu einer Verschiebung des Punktes 0,5 - eher zur größeren Seite hin. Ohne Kalibrierung können Sie also einen solchen Punkt finden - warum Sie das nicht getan haben, ist ziemlich unklar, vor allem, wenn Sie für alle Positionen den gleichen Take Profit und Stop Loss haben. Wenn das nicht der Fall ist, brauchen Sie einen ganz anderen Ansatz - Kalibrierung mittels Erwartungsmatrix :)

Ich will niemanden verunsichern. Es gibt viele Ansätze, die Frage war nach dem Wissen des MO

Es gibt immer ein Patentrezept für alle Probleme - optimieren Sie alles, was sich bewegt.