Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2585
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
Interesante, pero no está claro por dónde empezar. La pérdida debe basarse en algunas nociones sobre los patrones del mercado, aparentemente. Por ejemplo, se pueden hacer correcciones sobre la volatilidad.
Creo que para empezar es bastante simple - clasificación por regresión logística en dos clases (entrada/salida) y con un pequeño número de atributos. Sólo para ver por qué el tema no es muy popular.
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 puedas hacerlo de las dos maneras.
Una completa falacia, estoy un poco avergonzado por ti...
Aun así, sería interesante experimentar con la eliminación de las métricas estándar por completo y sustituirlas por otras similares a las utilizadas en la optimización de metatrader) probablemente tendría que ir a un nivel inferior y trabajar directamente con los paquetes de optimización
Eso es lo que vengo diciendo desde hace más de medio año, ¡es mejor entrenar el AMO a través de la FITNESS FUNCTION!
Un delirio total, estoy un poco avergonzado por ti...
Acabas de expresar la vergüenza japonesa para toda la comunidad mundial. ) Hay un gran conjunto de métricas personalizadas, pero el entrenamiento principal es minimizar la pérdida de registros. Dejar de aprender por encargo lo hace. Si la base coincide con las personalizadas está muy bien, no hay que complicarse con ello. Estudiar, estudiante.
Soy un estudiante de toda la vida.
Estudiante, de toda la vida
Logloss muestra la cantidad de información mutua entre los rasgos y el objetivo, por lo que entiendo. Este es el valor f más objetivo, sin describir el tipo de dependencia. El modelo se entrena para minimizar la pérdida de dicha información, especialmente el boosting funciona así.
Ejemplo...
Hay un marco de datos de características "X"
Hay un modelo "M"
Hay 5 series temporales "tc5".
La tarea es.
El modelo "M" toma "X" como entrada (todo es como siempre)
y "M" produce dos vectores que deben ser
1) máximo estacionamiento
2) no correlacionar con todos los vectores "Мc5" en la medida de lo posible.
No tiene un objetivo en su forma habitual, tiene requisitos para las salidas del modelo...
No vamos a predecir el precio, zz, las devoluciones, etc., eso es otro cantar.
¿Cómo va a resolver esto con su impulso fuera de la caja?
ejemplo...
Hay un marco de datos de características "X"
Hay un patrón "M"
Hay 5 series temporales "tc5"
La tarea es.
El modelo "M" toma "X" como entrada (todo es como siempre)
y "M" produce dos vectores que deben ser
1) máximo estacionamiento
2) no correlacionar con todos los vectores "Мc5" en la medida de lo posible.
No tiene un objetivo en su forma habitual, tiene requisitos para las salidas del modelo...
No vamos a predecir el precio, zz, las devoluciones, etc., eso es otro cantar.
¿Cómo va a resolver tal cosa con su impulso fuera de la caja?
Enumerando los objetivos, la tarea es la contraria
1) se enseña el modelo millones de veces y se ve lo que pasa?
Sí, bueno, objetivo tomar desde el techo, o f-u. Estás haciendo el entrenamiento al revés, por lo que entiendo de la descripción. Cuál es su ventaja sobre la clásica, esta pregunta necesita ser respondida
))))
Estoy fuera)