Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2584
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
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.
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.
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.
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 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.
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.
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.
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.
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)?