Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3160
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
El artículo enlaza con otro libro sobre el tema - aquí está la versión más reciente del mismo.
Me interesa sobre todo la cuestión de qué podría constituir un "tritente" en una aplicación causal (¡no casual!😁) al trading.
Unrepaso a los dedos, que bestia es el cajual.
Según he entendido leyendo todo esto la Inferencia Causal es extremadamente relevante en el marco de la medicina basada en la evidencia, donde no está inicialmente claro si un nuevo fármaco afecta o no a la enfermedad. En medicina la Inferencia Causales la base de su evidencia .
En economía, la Inferencia Causal en este sentido "médico" no es tan relevante, porque la economía es un proceso bien determinado basado en cadenas de producción y venta.
Existe bastante incertidumbre en el tipo de cambio con razones desconocidas en días y semanas, pero en periodos más largos las razones se hacen evidentes. Pero necesitamos predecir el futuro, pero las razones que influyen en el tipo de cambio en el futuro por parte de los propietarios de los instrumentos que influyen en el tipo de cambio están cuidadosamente ocultas y sólo podemos averiguarlas a posteriori.
Una última cosa. Desde un punto de vista estadístico no hay nada nuevo en la Inferencia Causal. Esta es la opinión de CRAN
No hay funciones básicas de R que sean implementaciones directas de diseños estándar de inferencia causal, pero muchos métodos - más o menos complejos - están implementados en diferentes paquetes en CRAN, que estructuramos en temas principales:
Maxim, como persona que descuida R, y por lo tanto tiene un conocimiento extremadamente limitado de las herramientas, maneja una onda cajual como una especie de descubrimiento. Esto no es nada nuevo, simplemente unos rusos listos con un toque de los 90 han combinado un montón de herramientas bien conocidas y han colgado el cartel de "Inferencia causal" con dudosa aplicabilidad en economía.
Sanych, cuando intenta argumentar y demostrar, empieza a pasar paquetes a velocidad X2... Es como contar cuentas del rosario para calmarlo.
Pregúntale por un paquete de la lista, te dará enlaces a paquetes que hagan referencia a este paquete como prueba de su profundo conocimiento del tema.
Puedes sacar el tritente de los paréntesis (o ponerlo detrás de los paréntesis) y simplemente usar el matstat restante :)
Lo interesante es el aspecto teórico-cuasi-filosófico de lo que se puede considerar como tritente) Es en el sentido de la práctica todo es simple - lo que funciona es bueno)
Si la entidad es un paciente al que se le da un medicamento/placebo o un escolar al que se le da/no se le da una pastilla, todo es claro y sencillo.
Si en nuestro caso tomamos (para simplificar) el incremento de precio por barra como la entidad básica, entonces nosotros, pequeños jugadores, no tenemos ningún tritment que le afecte. Si tomamos el incremento de la renta variable como entidad, entonces ya podemos tomar el tamaño y la dirección de la posición en el instrumento como tritente. Pero no podemos detenernos ahí y tomar cualquier parámetro que describa la ST, que realmente calcula la posición, como un tritment. Este enfoque abre la puerta a una complejidad y flexibilidad infinitas para el concepto de tritente, lo que puede llevar a un reciclaje, pero probablemente también a algo bueno).
El aspecto casi filosófico de lo que puede considerarse un tritente es interesante. En la práctica, todo es sencillo: lo que funciona es bueno).
Si una entidad es un paciente al que se le da un medicamento/placebo o un escolar al que se le da/no se le da una pastilla, todo es claro y sencillo.
Si en nuestro caso tomamos (para simplificar) el incremento de precio por barra como entidad básica, entonces nosotros, pequeños jugadores, no tenemos ningún tritment que le afecte. Si tomamos el incremento de la renta variable como entidad, entonces ya podemos tomar el tamaño y la dirección de la posición en el instrumento como tritente. Pero no podemos detenernos ahí y tomar cualquier parámetro que describa la ST, que en realidad calcula la posición, como un tritment. Este enfoque abre la puerta a una complejidad y flexibilidad infinitas para el concepto de tritente, lo que puede llevar a un reciclaje, pero probablemente también a algo bueno).
Así es como yo lo veo más o menos. Un tritment es una variable instrumental que debería conducir a algo bueno. En Kozula hay una separación entre covariables y tritment sólo porque no podemos influir en las covariables, pero sí en el tritment.
Además, las covariables tienen un significado diferente al de las características en la previsión. Son las características distintivas de cada observación. Así que el modelo ML en kozul es más como una base de datos que es consultada por otro modelo y se cuentan las estadísticas. O se construyen 2 modelos y se buscan sus intersecciones. Es más como trabajar con bases de datos.
Entonces un tritmento puede ser representado como una consulta, cuyos resultados son usados para calcular estadisticas.Es originalmente sobre el método de dos factores de verificación de tratamiento (tritment). Usted, recuerdo, está cerca de este tema en el sentido médico directo.
IMHO, Maxim de alguna manera muy amplia y creativa transfiere el concepto de tritment a nuestras tareas.
La medicina no es una ciencia)))) Así que hay prácticas de investigación médica adecuadas que los patrones sostenibles de tratamiento se considera que tienen una causa, y los no sostenibles no tienen causa, pero las asociaciones en los observadores)))) Y el método del experimento aleatorio reduce el error, pero de ninguna manera lo elimina por completo))))))
Tan cercano en significado entiendo))))))
La medicina no es una ciencia)))) Es por eso que hay prácticas adecuadas de investigación médica que los patrones estables de tratamiento se considera que tienen una causa, y no los patrones estables no tienen causa, pero las asociaciones en los observadores))). Y el método del experimento aleatorio reduce el error, pero en ningún caso lo elimina por completo)))))
Tan cerca en significado que entiendo))))))
Es posible identificar los grupos en los que el tratamiento tiene un mayor efecto. Y no tratar a los demás.
Bueno, eso es lo que hacen, los diagnósticos son grupos, el tratamiento es tritment))))) Un enfoque esencialmente normal cuando no hay datos suficientes para comprender el proceso. Suposición en forma de sustitución de pruebas lógicas por hipótesis que confirman experimentos en diferentes variaciones y comparaciones con suficiente pureza de experimento.
¿Recuerdas que _Vizard seguía extendiendo algunos puntos en sus vids y luego los borraba? )
https://github.com/abidlabs/contrastive