Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2976
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
Tal vez, pero yo no veo ningún pez ahí. Yo no uso la cuantificación en absoluto. Prefiero explorar datos flotantes.
Siento que no me creas.
Puedo demostrar la eficacia en su muestra, comparar la curva de aprendizaje.
Sí, así es. Se acelera y se puede atribuir a la regularización. Pero también pierde la división exacta.
La división exacta en la historia. Si se conoce la naturaleza de la distribución de los valores predictores, la cuantificación puede elegir exactamente el rango con un comportamiento estable característico. En el caso del trading, sólo es relevante.
División precisa en el historial. Si se conoce la naturaleza de la distribución de los valores predictores, la cuantificación puede elegir exactamente el intervalo con un comportamiento estable característico. Para el comercio es sólo relevante.
En la cuantificación es sólo un contador + salto de dobles. La cuantificación se produce sin ninguna comprobación de la función objetivo.
.
Si un árbol con formación sobre el objetivo no da estabilidad (o da una estabilidad muy débil), ¿cómo la va a dar un contador que no tiene ninguna relación con el objetivo? Sólo segmentos aleatorios y a veces aleatoriamente buenos, que con el tiempo dejarán de serlo.
La tarea de buscar rangos/divisiones se resuelve mediante un árbol durante el entrenamiento. Al menos hay alguna fórmula significativa que separa las filas con respecto al objetivo.
En la cuantificación es sólo un contador + salto de dobles. La cuantificación se produce sin ninguna comprobación de la función objetivo.
.
Si un árbol con formación sobre el objetivo no da estabilidad (o da una estabilidad muy débil), ¿cómo la va a dar un contador que no tiene ninguna relación con el objetivo? Sólo segmentos aleatorios y a veces aleatoriamente buenos, que con el tiempo dejarán de serlo.
Hay que seleccionar tablas de cuantiles para cada predictor. Suponiendo que se acierte un azar afortunado, eso es lo que quiero identificar. Aleatorio o no. No con un 100% de fiabilidad, pero incluso eliminando un 30% de aleatoriedad se puede mejorar la calidad del modelo entrenado.
Estoy desarrollando mi función de estimación de división (algoritmo), que debería reducir la desventaja de los árboles - la codicia.
Es extraño, por supuesto, he estado trabajando en este tema durante años, he hecho un montón de experimentos con diferentes muestras, tengo estadísticas sobre la eficacia del enfoque, digo que el método funciona, pero me encuentro con la desconfianza.
Se deben seleccionar tablas cuánticas para cada predictor. Digamos que un golpe de suerte aleatorio - eso es lo que quiero detectar. Aleatorio o no.
¿Cómo puede ser NO aleatorio con respecto al objetivo si el objetivo no interviene en la elección del punto de cuantificación? Sólo aleatorio.
¿Cómo puede ser NO aleatorio con respecto al objetivo, si el objetivo no interviene en la elección del punto de cuantificación? Sólo aleatorio.
Es aleatorio, pero el patrón no es aleatorio. Es decir, persistirá en el futuro. La estimación tiene en cuenta el mismo objetivo.
Por otra parte, nadie impide dividir inmediatamente con mayor precisión el predictor en segmentos cuánticos teniendo en cuenta el objetivo.Por otro lado, nadie impide dividir el predictor con mayor precisión de una vez en segmentos cuánticos teniendo en cuenta el objetivo.
Es tarea del árbol encontrar el mejor punto de división, de modo que se maximice la pureza de las clases de las secciones derecha e izquierda del objetivo.
¿Quiere estimar la pureza durante la cuantificación? Básicamente, quiere hacer lo mismo que el árbol hará después. Desactive la cuantificación y obtendrá lo que desea. El árbol elegirá el mejor punto de división dado el objetivo.
La tarea del árbol es encontrar el mejor punto de división para maximizar la pureza de las clases derecha e izquierda.
¿Quiere estimar la pureza durante la cuantificación? Esencialmente, quiere hacer lo mismo que el árbol hará después. Desactive la cuantificación y obtendrá lo que desea. El árbol elegirá el mejor punto de división dado el objetivo.
Cansado de explicar que "mejor" a menudo no es la mejor opción.
En lugar de preguntas - afirmaciones - como si estuviéramos haciendo religión....
Cansado de explicar que "mejor" a menudo no es la mejor opción.
En lugar de preguntas - afirmaciones - como si se tratara de religión....
Usted tiene un enfoque específico con terminología específica, la gente no está dispuesta a sacrificar espacio en su disco duro para tal información, sin entender el resultado. Veo que la salida es o bien hacer un artículo detallado para encontrar entusiastas que (lo más probable) empezar a empujar esto en el mercado de inmediato 😀, o alguien a pagar un poco como un jornalero. O un estudiante por un palo de chorizo.
En el tema específico, yo como que uso el término "cuantum cutoff" de off-topic, que simplemente significa el rango de valores predictores. Por qué surgió el término - originalmente de una tabla cuántica que divide el predictor a través de alguna fórmula de cuantificación.
Es difícil escribir un artículo útil aquí - no está claro qué escribir que no esté descrito en otra parte. Y con qué llenarlo - pruebas comparativas o cálculos lógicos. La lógica debe apoyarse en fórmulas, cosa que no puedo hacer.
Para tomar un estudiante inteligente - sí, sería bueno si él entiende la esencia, no sólo fórmulas. ¿Tiene experiencia en encontrar a una persona así?
Hay muy poco público objetivo para los artículos de python. En este sentido, Dmitriy con su serie de artículos - haga clic en el probador y obtener el resultado. Sobre la idea en sí - tratar de hacer el cribado no por 0,5, pero por 0,35 - es decir, TN donde se clasifica con alta confianza, y preferiblemente en el control para detener la formación de la muestra.
Si pongo incluso 3000 líneas de código, sin incluir las clases auxiliares, ¿quién va a entrar en él? Por eso parecía que preguntaba específicamente por las métricas que caracterizan la muestra, con la especificación - dentro del segmento cuántico de un predictor, pero hemos saltado de nuevo a la discusión de las tablas cuánticas y para qué sirven.