L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2834
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je n'ai pas réussi avec xgboost...
Oui, c'est la partie délicate. Il faut calculer le gradient et la matrice des dérivées secondes, le hessien. La hessienne doit également être définie positivement.
Pour le profit, par exemple, la hessienne est dégénérée (égale à zéro). Il est nécessaire d'affiner d'une manière ou d'une autre la fonction de perte afin d'obtenir un compromis raisonnable entre le besoin et la nécessité.
1. En ce qui concerne le nom de famille, j'en tiendrai compte. Vous êtes la seule personne que je connaisse avec un tel nom de famille.
2) Je voudrais objecter qu'il ne faut pas pousser l'idée jusqu'à l'absurde, mais en réalité le cas est le même : nous n'avons pas besoin d'optimums - nous avons besoin de plateaux, plus c'est étendu, mieux c'est, plus c'est rentable, mieux c'est. Et l'extremum est toujours un état instable, alors que nous avons besoin d'un état stable, et dans le futur. Il s'avère donc que la recherche d'optimums est une activité nuisible.
J'avance ici l'idée que la stabilité des bénéfices dans le futur dépend des propriétés des prédicteurs et ne dépend que très peu du modèle, et encore moins des algorithmes d'optimisation. Il s'agit donc d'une approche complètement différente.
Ce que je défends ici, c'est l'idée que la durabilité des bénéfices à l'avenir dépend des propriétés des prédicteurs et ne dépend que très peu du modèle, et encore moins des algorithmes d'optimisation. Il s'agit là d'une approche totalement différente.
Pouvez-vous m'envoyer votre échantillon ? Nous avons la même vision du problème du mauvais apprentissage des modèles, j'aimerais comparer dans quelle mesure votre méthode de sélection est meilleure que la mienne, et si elle s'adapte à votre échantillon.
Oui, c'est la partie délicate. Vous devez calculer le gradient et la matrice des dérivées secondes - la hessienne. La hessienne doit également être définie positive.
Pour le profit, par exemple, la hessienne est dégénérée (égale à zéro). Il est nécessaire d'affiner d'une manière ou d'une autre la fonction de perte afin d'obtenir un compromis raisonnable entre le besoin et la nécessité.
Ici, si j'ai bien compris, la hessienne n' est pas du tout prise en compte.
Il ne sert qu'à réduire le gradient.
Ceci est différent.
Je me souviens que j'ai eu beaucoup de mal avec ça, alors j'ai abandonné.
Mais ce serait cool d'entraîner mon physique).Mais en réalité, c'est le cas : nous n'avons pas besoin d'optimums - nous avons besoin de plateaux, plus ils sontétendus, mieux c'est, plus ils sont rentables, mieux c'est. Et un extremum est toujours un état instable.
Et la fonction qui évalue "combien de plateau/pas de plateau" n'est pas la recherche du maximum ?
Et une fonction qui évalue "plus c'est rentable, mieux c'est" n'est pas une recherche de maximum ?
Etla fonction qui évalue "plus c'est étendu, mieux c'est" n' est pas une recherche de maximum?
Et la fonction qui évalue "état stable / instable" n'est pas une recherche de maximum ?
Ou bien avez-vous besoin d'un plateau ici aussi ? )))) Dans ce cas, voir le premier point ))))
Oh ces gens profanes ...
Je défends ici l'idée que la durabilité des bénéfices à l'avenir dépend des propriétés des prédicteurs et très peu du modèle, et encore moins des algorithmes d'optimisation. C'est une approche complètement différente.
Il ne faut pas pousser l'idée, mais la prouver ou au moins la justifier....
Il y en avait un ici, qui poussait l'idée que Mashka est la meilleure chose qui puisse être, et à quoi sert cette poussée ??????
1. Je garderai le nom de famille à l'esprit. Vous êtes la seule personne que je connaisse avec ce nom de famille.
2) J'aimerais objecter qu'il ne faut pas pousser l'idée jusqu'à l'absurde, mais en réalité le cas est le même : nous n'avons pas besoin d'optimums - nous avons besoin de plateaux, plus ils sont étendus, mieux c'est, plus ils sont rentables, mieux c'est. Et l'extremum est toujours un état instable, mais nous avons besoin d'un état stable, et dans le futur. Il s'avère donc que la recherche d'optimums est une occupation nuisible.
J'avance ici l'idée que la stabilité des bénéfices dans le futur dépend des propriétés des prédicteurs et dépend très peu du modèle, et encore moins des algorithmes d'optimisation. C'est donc une approche complètement différente.
1. v
2) Voici une figure, comme une courbe d'une fonction d'apprentissage hypothétique.
Êtes-vous sûr que la grille s'arrêtera à l'extremum local 1 ? Ou peut-être 2 ? Ou quoi, 3, comme au milieu ? On ne sait donc pas à l'avance combien il y a d'extrema locaux, il peut y en avoir 100500 ou même plus. C'est pourquoi il est important d'essayer de trouver le plus élevé de tous les extrema locaux que l'algorithme peut atteindre.
Qu'est-il proposé de substituer à la perte de logarithme ?
S'il s'agit d'une question pour moi, le profit ou un analogue raisonnable de celui-ci. Profit - pour l'instant, il s'agit de la somme de tous les (close[i] - open[i])*prognos[i], où prognos[i] est la prédiction de la couleur de la bougie et vaut 1 ou -1. Il se peut qu'il faille le modifier d'une manière ou d'une autre pour obtenir un bon gradient et un bon comportement hessien.
S'il s'agit d'une question pour moi, le profit ou un analogue raisonnable de celui-ci. Profit - pour l'instant, il s'agit de la somme de tous les (close[i] - open[i])*prognos[i], où prognos[i] est la prédiction de la couleur de la bougie et vaut 1 ou -1. Il se peut qu'il faille le modifier d'une manière ou d'une autre pour obtenir un bon gradient et un bon comportement hessien.