Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3357
![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
De nuevo algunas definiciones nuevas.
No me lo aguanto.
No existe una probabilidad abstracta, léase de referencia, perfecta, que no esté ligada a un proceso aleatorio.
No existe tal cosa.
La probabilidad de que se lance una moneda, etc.
Por lo tanto, cualquier clasificador da una probabilidad que caracteriza a ese clasificador en particular, lo que da la característica que necesitamos: el error de predicción. Otro clasificador dará otras probabilidades con su correspondiente error de predicción de clase.
En función de los predictores y sus etiquetas asociadas, así como del equilibrio de clases, se plantea el problema de fijar un umbral para dividir las probabilidades en clases. Las herramientas para esta operación, denominada "calibración", se indican más arriba. También es posible hacerlo de forma koljosiana.
En cualquier caso, puede reducir significativamente el error de predicción de las probabilidades dadas por un clasificador concreto, porque no hay otras probabilidades en la naturaleza cuando se trabaja con un clasificador concreto. Si no te gustan las probabilidades, trabaja con un clasificador o haz una calibración. No hay lugar para las probabilidades "perfectas" en este proceso concreto, que no existen teóricamente.
Una cosa que está clara es que dividir en clases por un umbral de 0,5 es muy cuestionable y rara vez funciona.
No podría aceptarlo.
No pude soportarlo.
No existe una probabilidad abstracta, léase de referencia, ideal, que no esté ligada a un proceso aleatorio.
No existe tal cosa.
La probabilidad de que se lance una moneda, etc.
Así que cualquier clasificador da una probabilidad que caracteriza a ese clasificador en particular, lo que da la característica que necesitamos: el error de predicción. Otro clasificador dará otras probabilidades con el correspondiente error de predicción de la clase.
En función de los predictores y sus etiquetas asociadas, así como del equilibrio de clases, se plantea el problema de fijar un umbral para dividir las probabilidades en clases. Las herramientas para esta operación, denominada "calibración", se indican más arriba. También puede hacerse de forma koljosiana.
En cualquier caso, puede reducir significativamente el error de predicción de las probabilidades dadas por un clasificador concreto, porque no hay otras probabilidades en la naturaleza cuando se trabaja con un clasificador concreto. Si no te gustan las probabilidades, trabaja con un clasificador o haz una calibración. En este proceso concreto no hay lugar para las probabilidades "perfectas", que no existen teóricamente.
Una cosa que está clara es que dividir en clases por un umbral de 0,5 es muy cuestionable y rara vez funciona.
Ahí estamos hablando de errores matstáticos comunes cuando se utiliza el modelo de probabilidad equivocado. Por ejemplo, si el ruido en la regresión en realidad tiene distribución de Laplace, y calculamos como para una gaussiana, obviamente habrá errores.
PS. En realidad, se trata de volver a los orígenes probabilísticos del MO, que, por cierto, se llamó (al menos en la URSS) aprendizaje estadístico en sus primeros días.)
Ya he descrito el ejemplo más arriba. Hay un clasificador que pasa el OOS, pero los rendimientos se distribuyen 60/40. No te gusta, subes el umbral de decisión, pero la situación no cambia, y a veces incluso empeora. Te rascas la cabeza para saber por qué es así.
Se da una explicación de por qué es así: porque en el caso de la estimación real de probabilidades la situación debería cambiar.
Se da una solución.
Ya he descrito el ejemplo más arriba. Hay un clasificador que pasa el OOS, pero los rendimientos se distribuyen 60/40. No te gusta, subes el umbral de decisión, pero la situación no cambia, y a veces incluso empeora. Te rascas la cabeza para saber por qué es así.
Se da una explicación: porque en el caso de una estimación de probabilidad real la situación debería cambiar.
Te dan una solución
Ya he descrito el ejemplo más arriba. Hay un clasificador que pasa el OOS, pero los rendimientos se distribuyen 60/40. No te gusta, subes el umbral de decisión, pero la situación no cambia, y a veces incluso empeora. Te rascas la cabeza para saber por qué es así.
Se da una explicación: porque en el caso de una estimación de probabilidad real la situación debería cambiar.
Se da una solución.
Sin embargo, me gustaría señalar que la calibración no será la panacea y no es gratuita: se necesitan buenas propiedades del clasificador existente. Para no entrar en explicaciones, citaré su segunda referencia sobre SHAD. "En general, se puede demostrar que este método funciona bien si, para cada una de las clases verdaderas, las probabilidades predichas se distribuyen normalmente con igual varianza". Esto se refiere a la calibración de Platt, pero seguramente también deben cumplirse algunas condiciones para las demás.
En realidad, todo es como en matstat: las propiedades probabilísticas del modelo utilizado deben corresponder a los datos estudiados.
Sin embargo, me gustaría señalar que la calibración no será la panacea y no es gratuita: se necesitan buenas propiedades del clasificador existente. Para no entrar en explicaciones, citaré su segunda referencia sobre SHAD. "En general, puede demostrarse que este método funciona bien si, para cada una de las clases verdaderas, las probabilidades predichas se distribuyen normalmente con igual varianza". Esto se refiere a la calibración de Platt, pero seguramente también deben cumplirse algunas condiciones para las demás.
En realidad, todo es como en matstat: las propiedades probabilísticas del modelo utilizado deben corresponder a los datos estudiados.
Por supuesto, esto es sólo una manera de hacer que los resultados sean probabilísticos, porque el uso de las probabilidades del modelo en bruto es inútil.
Discutido este tema en los días de Porksaurus, Matemat, Granito y Metadriver, que es hace mucho tiempo.