Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2584

 
Aleksey Nikolayev #:

Creo que debería investigarse más la personalización de la función de pérdidas para adaptarla a las necesidades de nuestros comerciantes.

A modo de ejemplo, he aquíun artículo sobre el tema.

¿Para una perspectiva más amplia?

Primero justifica el significado desde un punto de vista práctico: por ejemplo, si haces esto, conseguirás esto, te llevará a esto... etc .

Aquí puedes escribir cualquier palabra sobre el tema en Google y la rama se inundará de enlaces hasta lo imposible en un abrir y cerrar de ojos.

 
Aleksey Nikolayev #:

Creo que debería investigarse más la personalización de la función de pérdidas para adaptarla a las necesidades de nuestros comerciantes.

A modo de ejemplo, he aquíun artículo sobre el tema.

De acuerdo.

La clasificación y la regresión estándar no son muy adecuadas para la BP.

 
elibrarius #:

De acuerdo.

La clasificación y la regresión estándar no son muy adecuadas para la BP.

Me gustaría empezar por aprender a construir cualquier función de pérdida deseada y correcta, para que sea más parecida, por ejemplo, a la maximización de beneficios, y para que los algoritmos de aprendizaje funcionen correctamente con estas funciones. Por lo visto, tendremos que entrar en lo más básico incluso en el caso de la regresión lineal más sencilla.

 
Aleksey Nikolayev #:

Me gustaría empezar por aprender a construir las funciones de pérdida deseadas y correctas, para que sean más parecidas, por ejemplo, a la maximización de beneficios, y para que los algoritmos de aprendizaje funcionen bien con estas funciones.

¿Qué tiene de malo la maximización en sí misma?
 
Se utilizan métricas personalizadas para seleccionar los modelos, pero el aprendizaje sigue siendo por métricas estándar (logloss para la clasificación, por ejemplo). Porque tu métrica no tiene nada que ver con la relación característica/objetivo, pero las estándar sí. Y aquí no está muy claro si hay que seleccionar entonces los modelos por Sharpe Ratio o R2, o dejar de aprender inmediatamente al maximizarlos. Probablemente sea posible hacerlo de ambas maneras.
 
mytarmailS #:
¿Qué pasa con la maximización en sí?

Podría haber un problema de mala condicionalidad, que depende de las métricas utilizadas. Puede haber un problema con el cálculo del gradiente y la hessiana para el boosting.

 
Aleksey Nikolayev #:

Puede haber problemas con la mala condicionalidad, que depende de las métricas utilizadas. Puede haber un problema con el cálculo del gradiente y la hessiana para el boosting.

Si el espacio de características es grande (decenas de características), ¿cómo decidir de antemano qué condicionalidad es mejor?
 
Maxim Dmitrievsky #:
Se utilizan métricas personalizadas para seleccionar los modelos, pero el aprendizaje sigue siendo por métricas estándar (logloss para la clasificación, por ejemplo). Porque sus métricas no están relacionadas con la relación característica/objetivo, mientras que las estándar sí lo están. Y aquí no está muy claro si hay que seleccionar entonces los modelos por Sharpe Ratio o R2, o dejar de aprender inmediatamente al maximizarlos. Probablemente se podrían hacer ambas cosas.

Sin embargo, sería interesante experimentar con el abandono de las métricas estándar y su sustitución por otras similares a las utilizadas en la optimización de metatrader) Lo más probable es que tenga que bajar y trabajar directamente con los paquetes de optimización - algo así.

No estoy preparado para afirmar que el grial se proporciona) Pero creo que intentaré averiguarlo alguna vez.

Fitting Linear Models with Custom Loss Functions in Python
  • alex.miller.im
As part of a predictive model competition I participated in earlier this month, I found myself trying to accomplish a peculiar task. The challenge organizers were going to use “mean absolute percentage error” (MAPE) as their criterion for model evaluation. Since this is not a standard loss function built into most software, I decided to write...
 
Aleksey Nikolayev #:

Aun así, sería interesante experimentar con el abandono total de las métricas estándar y su sustitución por otras similares a las utilizadas en la optimización de metatrader) Lo más probable es que tenga que ir a un nivel inferior y trabajar directamente con los paquetes de optimización, algo así.

No estoy dispuesto a prometer que sea un grial), pero creo que intentaré manejarlo alguna vez.

Es interesante, pero no sé por dónde empezar. Probablemente haya que incluir en las pérdidas algunas nociones sobre el comportamiento del mercado. Bueno, por ejemplo, podemos hacer correcciones por la volatilidad
 
Maxim Dmitrievsky #:
En el caso de un gran espacio de características (docenas de características), ¿cómo determinar de antemano qué condicionalidad es mejor?

Seguro que para las métricas estándar siempre es mejor la condicionalidad - de lo contrario no serían un estándar. Pero, ¿puede impedirte inventar tu propia bicicleta)?