L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3160

 
mytarmailS #:

Vous ne pouvez discuter qu'avec quelqu'un qui se trouve également dans ce fil de discussion, il n'y a pas de telles personnes ici.


Je suggère d'expliquer normalement comment l'utiliser, afin que je puisse l'exécuter moi-même et le tester....

Si cela fonctionne, il est logique de lire le livre et de s'y plonger, puis nous pourrons en discuter plus avant....

Mais pour l'instant, ce sujet a le même statut que les autres...

Unevue d'ensemble sur les doigts, quel genre de bête est cajual.

Причинно-следственный анализ в машинном обучении
Причинно-следственный анализ в машинном обучении
  • 2022.04.26
  • habr.com
Что появилось первым: курица или яйцо? Причем несколько раз. И каждый раз ответ был разным. А если серьезно, то для машинного обучения становятся все более актуальными вопросы причинно-следственного анализа (causal inference) - когда главной целью моделирования является не прогноз и его качество, а то, как мы можем принимать решения на основе...
 
СанСаныч Фоменко #:

Unerevue sur les doigts, quelle bête le cajual est.

L'article renvoie à un autre livre sur le sujet - en voici la version la plus récente.

Ce qui m'intéresse le plus, c'est la question de savoir ce qui pourrait constituer un "tritment" dans l'application du cajual (et non du casual ! 😁) au trading.

 
C'est un changement de paradigme. Lorsque vous écrivez mais ne comprenez pas. Il dit que vos classificateurs sont des modèles associatifs. Non, nous avons cherché frénétiquement des caractéristiques pour eux et fait comme si de rien n'était.

Le simple mot "associatif" devrait assommer les vainqueurs, à moins qu'ils ne soient dans un char d'assaut. C'est, comme on dit, l'effondrement de la cabine :) et là déjà avec ou sans trituration :).

Et puis, au fur et à mesure que vous lirez, vous attendrez de plus en plus de déceptions et de défaites. Même sur des ensembles de données relativement simples. C'est pour cela que ce livre s'adresse aux courageux et aux lâches 😀.
 
Aleksey Nikolayev #:

L'article renvoie à un autre livre sur le sujet, dont voici la version la plus récente.

Je suis particulièrement intéressé par la question de savoir ce qui pourrait constituer un "tritent" dans une application causale (et non occasionnelle!😁) à la négociation.

Vous pouvez retirer le tritment des parenthèses (ou l'introduire de derrière les parenthèses) et utiliser simplement le matstat restant :)
 
СанСаныч Фоменко #:

Unerevue sur les doigts, quelle bête le cajual est.

D'après ce que j'ai compris en lisant tout cela, l'inférence caus ale est extrêmement pertinente dans le cadre de la médecine fondée sur des preuves, lorsqu'il n'est pas clair au départ si un nouveau médicament a un effet sur la maladie ou non. En médecine, l'inférence causale est la base de ses preuves .

En économie, l'inférence caus ale dans ce sens "médical" n'est pas si pertinente, car l'économie est un processus bien déterminé basé sur des chaînes de production et de vente.

Nous devons prédire l'avenir, mais les raisons qui influencent le taux de change à l'avenir par les propriétaires des instruments qui influencent le taux de change sont soigneusement cachées et nous ne pouvons les découvrir qu'après coup.


Une dernière chose. D'un point de vue statistique, il n'y a rien de nouveau dans l'inférence causale. Voici l'avis du CRAN

Il n'existe pas de fonctions R de base qui soient des implémentations directes de plans d'inférence causale standard, mais de nombreuses méthodes - plus ou moins complexes - sont implémentées dans différents paquets sur le CRAN, que nous structurons en thèmes principaux :

Maxim, en tant que personne qui néglige R, et qui a donc une connaissance extrêmement limitée des outils, conduit une vague cajale comme une sorte de découverte. Ce n'est pas nouveau, ce sont juste des Russes intelligents avec un flair des années 90 qui ont combiné des outils connus en une pile et ont mis un panneau "Inférence Causale" avec une applicabilité douteuse en économie.


CRAN Task View: Causal Inference
CRAN Task View: Causal Inference
  • cran.r-project.org
Overview
 

Sanych, lorsqu'il essaie d'argumenter et de prouver, commence à parcourir les paquets à la vitesse X2... C'est comme si on comptait les grains de chapelet pour le calmer.

Interrogez-le sur un paquet de la liste, il vous donnera des liens vers des paquets faisant référence à ce paquet comme preuve de sa profonde compréhension du sujet.

 
Maxim Dmitrievsky #:
Vous pouvez retirer le trittement des parenthèses (ou le mettre derrière les parenthèses) et utiliser simplement le matstat restant :)

Ce qui est intéressant, c'est l'aspect théorique-quasi-philosophique de ce qui peut être considéré comme un trittement) C'est dans le sens de la pratique que tout est simple - ce qui marche est bon)

Si l'entité est un patient à qui l'on donne un médicament/placebo ou un écolier à qui l'on donne/ne donne pas un comprimé, tout est clair et simple.

Si, dans notre cas, nous prenons (pour simplifier) l'augmentation du prix par barre comme entité de base, alors nous, les petits acteurs, n'avons aucun rôle à jouer dans cette entité. Si nous prenons l'incrément d'équité comme entité, alors nous pouvons déjà prendre la taille et la direction de la position sur l'instrument comme un critère. Mais nous ne pouvons pas nous arrêter là et prendre n'importe quel paramètre décrivant le TS, qui calcule effectivement la position, comme un tritment. Cette approche ouvre la porte à une complexité et une flexibilité infinies pour le concept de trittement, ce qui peut conduire à un recyclage, mais probablement aussi à quelque chose de bon).

 
Aleksey Nikolayev #:

L'aspect quasi-philosophique de ce qui peut être considéré comme un tritent est intéressant. En termes de pratique, tout est simple - ce qui marche est bon).

Si une entité est un patient à qui l'on donne un médicament/placebo ou un écolier à qui l'on donne/ne donne pas un comprimé, tout est clair et simple.

Si, dans notre cas, nous prenons (pour simplifier) l'augmentation du prix par barre comme entité de base, alors nous, les petits acteurs, n'avons aucun rôle à jouer dans cette entité. Si nous prenons l'incrément d'équité comme entité, alors nous pouvons déjà prendre la taille et la direction de la position sur l'instrument comme un critère. Mais nous ne pouvons pas nous arrêter là et prendre n'importe quel paramètre décrivant le TS, qui calcule effectivement la position, comme un tritment. Cette approche ouvre la porte à une complexité et une flexibilité infinies pour le concept de trittement, ce qui peut conduire à un recyclage, mais probablement aussi à quelque chose de bon).

C'est à peu près l'idée que je m'en fais. Un tritment est une variable instrumentale qui doit conduire à quelque chose de bon. Dans kozula, il y a une séparation entre les covariables et le tritment uniquement parce que nous ne pouvons pas influencer les covariables, mais nous pouvons influencer le tritment.

En outre, les covariables ont une signification différente de celle des caractéristiques dans le domaine des prévisions. Il s'agit des caractéristiques distinctives de chaque observation. Ainsi, le modèle ML de kozul ressemble davantage à une base de données qui est interrogée par un autre modèle et dont les statistiques sont comptées. Ou bien 2 modèles sont construits et leurs intersections sont recherchées. C'est un peu comme travailler avec des bases de données.

Un traitement peut alors être représenté comme une requête, dont les résultats sont utilisés pour calculer des statistiques.
 
Aleksey Nikolayev #:

Il s'agit à l'origine de la méthode à deux facteurs de vérification des traitements (tritment). Je me souviens que vous êtes proche de ce sujet au sens médical direct.

D'une manière ou d'une autre, Maxim transpose de manière très large et créative le concept de trituration à nos tâches.

La médecine n'est pas une science)))) Il existe donc des pratiques de recherche médicale appropriées selon lesquelles les modèles de traitement durables sont considérés comme ayant une cause, tandis que les modèles non durables n'ont pas d'autre cause que des associations chez les observateurs)))) Et la méthode de l'expérience aléatoire réduit l'erreur, mais ne l'élimine en aucun cas complètement))))))

Le sens est si proche que je comprends))))))

 
Valeriy Yastremskiy #:

La médecine n'est pas une science)))) C'est pourquoi il existe des pratiques de recherche médicale appropriées qui considèrent que les schémas réguliers de traitement ont une cause, et non pas que les schémas réguliers n'ont pas de cause, mais des associations chez les observateurs.))) La méthode de l'expérience aléatoire réduit l'erreur, mais ne l'élimine en aucun cas complètement)))))

Le sens est si proche que je comprends))))))

Vous pouvez identifier les groupes sur lesquels le traitement a le plus d'effet. Et ne pas traiter les autres.