L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3131

 
Aleksey Vyazmikin #:

Vous avez en partie raison, mais je ne comprends pas la philosophie qui consiste à tout mélanger - cela fonctionne certainement s'il n'y a pas de dérive irrémédiable, par exemple avec la cyclicité.

Pour commencer, j'aimerais classer les différents types de dérives, puis les traiter individuellement - si l'on en connaît la cause, on peut alors réfléchir à un moyen de l'éliminer. Et si l'on ne peut pas l'éliminer, on peut la détecter.

La randomisation élimine le biais entre le test et le contrôle, après quoi l'impact du prédicteur est évalué.

Si vous n'éliminez pas le biais avant cela, il s'agira d'une relation associative et non d'une relation causale.


 
Maxim Dmitrievsky #:
Est-ce que tout ce contenu merveilleux peut être mis dans un fil séparé ?

J'ai terminé

 
mytarmailS #:

Pouvez-vous me montrer quelque chose comme cela ?

Si c'est si courant.

Qu'est-ce qui est si difficile ? Sauter d'une échelle à l'autre est quelque chose que nous avons déjà fait, il n'y a pas de secret. Je cherche des choses plus compliquées, et une image avec une seule affaire ne révèle pas l'essence de l'image dans son ensemble.
 
Renat Akhtyamov #:

Enfin !

C'est un début.

Quelle est la suite ?

C'est la fin de l'étude))))
 
spiderman8811 #:
Qu'est-ce qui est si difficile ? Sauter d'une échelle à l'autre est quelque chose que nous avons déjà fait, il n'y a pas de secret ici. Je cherche des choses plus compliquées, et une image avec une seule affaire ne révèle en rien l'essence de l'image dans son ensemble.

Je vois.

Il n'est pas difficile d'écrire des lettres.

 
mytarmailS #:

Je comprends.

Ce n'est pas difficile à épeler, bien sûr.

Avez-vous vu mon travail en free-lance ? ))))

 
spiderman8811 #:

Avez-vous vu mon travail en free-lance ? ))))

Quelle méthodologie peut-on utiliser pour évaluer la qualité des offres lorsqu'on consulte un profil de freelance ?

 
Maxim Dmitrievsky #:

La randomisation élimine le biais entre le test et le contrôle, après quoi l'impact du prédicteur est estimé.

Si le biais n'est pas éliminé au préalable, l'impact sera associatif plutôt que causal.


L'étalon-or

Dans la leçon précédente, nous avons examiné pourquoi et comment l'association diffère de la causalité. Nous avons également vu ce qui est nécessaire pour qu'une association devienne une relation causale.

E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} AJUSTEMENT DE L'ATT.

Rappelons que l'association devient une causalité s'il n'y a pas de biais. Il n'y aura pas de biais si E[Yo T = 0] = E[Yo T = 1]. En d'autres termes, l'association sera causale si les patients traités et les patients témoins sont égaux ou comparables, à l'exception de leur traitement. Ou, pour l'exprimer en termes plus techniques

Voici une traduction de l'image.

Tout d'abord, je ne comprends pas à quel moment vous voulez diviser l'échantillon en deux sous-échantillons.

Ensuite, il semble qu'il y ait une terminologie spéciale ici, la causalité est un effet direct sur un résultat - qui n'est peut-être même plus un modèle probabiliste. Une relation associative est soit un activateur de la cause, soit une caractéristique associée, et est généralement probabiliste.

Je ne comprends pas la formule - énoncer le point en termes humains ?

Mais le but de ces méthodes (UpLift) est d'estimer le facteur qui a exclusivement influencé la cible. Je comprends que le degré d'influence soit évalué. Supposons que, dans notre cas, nous ne connaissions pas un tel facteur et que nous passions tout en revue - nous obtenons quelques mesures en guise de résultat. Que suggérez-vous d'en faire ? Exclure les mauvais indicateurs ?
Comment pouvons-nous utiliser cela avec la dérive progressive des données ?

Je ne l'exclus pas, peut-être avez-vous trouvé quelque chose de brillant, mais je n'ai pas encore saisi le fil de votre pensée.

 
Aleksey Vyazmikin #:

L'étalon-or

Dans la leçon précédente, nous avons examiné pourquoi et comment l'association diffère de la causalité. Nous avons également vu ce qui est nécessaire pour qu'une association soit une relation causale.

E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} AJUSTEMENT DE L'ATT.

Rappelons que l'association devient une causalité s'il n'y a pas de biais. Il n'y aura pas de biais si E[Yo T = 0] = E[Yo T = 1]. En d'autres termes, l'association sera causale si les patients traités et les patients témoins sont égaux ou comparables, à l'exception de leur traitement. Ou, pour le dire en termes plus techniques

Voici la traduction de l'image.

Pour commencer, je ne comprends pas à quel moment vous voulez diviser l'échantillon en deux sous-échantillons.

Ensuite, il semble qu'il y ait une terminologie spéciale ici, la causalité est une influence directe sur le résultat - peut-être même plus un modèle probabiliste. Une relation associative est soit un activateur de la cause, soit une caractéristique associée, et a généralement une signification probabiliste.

Je ne comprends pas la formule - pouvez-vous m'en donner l'essentiel en termes humains ?

Mais le but de ces méthodes (UpLift) est d'estimer le facteur qui a exclusivement influencé la cible. Je comprends que le degré d'influence est évalué. Supposons que, dans notre cas, nous ne connaissions pas un tel facteur et que nous passions tout en revue - nous obtenons quelques mesures en guise de résultat. Que suggérez-vous d'en faire ? Exclure les mauvais indicateurs ?
Comment l'utiliser en cas de dérive progressive des données ?

Je n'exclue pas, peut-être avez-vous trouvé quelque chose d'ingénieux, mais je n'ai pas encore saisi le fil de votre pensée.

vous pouvez demander à chatgpt de décoder la formule si vous ne comprenez pas l'un des symboles.

Y|T = 1 résultats du groupe test (avec trituration)

Y|T = 0 - groupe de contrôle (sans)

Y - étiquette de la classe, Y0,Y1 - étiquettes de la classe sans et avec le tritment.

T - tritment introduit dans le modèle (y compris le prédicteur) ou non introduit (1;0)

E - espérance

Divisez à n'importe quel moment en divisant par test et traine.

Si vous ne faites pas de mélange, vous obtiendrez une estimation biaisée de l'ATE+biais.

L'ATE est l'effet de traitement moyen de l'exposition.

Il se peut que je mélange les lettres à certains endroits, mais la logique devrait être claire.

 

au fait, bard de google est plus à mon goût que gpt. Il peut googler et il est gratuit.

Mais il ne supporte que l'anglais et le vpn aux US ou en Angleterre, il ne fonctionne pas dans les autres pays.

Et au fond, qui sont les openAI et qui sont les Google. Probablement des catégories de poids différentes.