Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3359
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
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...
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
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.
ob das überhaupt Sinn macht.
Neues Geschäft - Verkauf von Prädiktoren
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 :)
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.