L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3356
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
J'espérais que quelqu'un irait au moins chercher l'info sur Google.
Il montre le résultat du modèle sur les plages de "probabilité" avec un pas de 0,05. CatBoost place la séparation des classes à 0,5 de manière assez précise (magnetta est 1, aqua est 0).
Vous pouvez voir que le résultat de l'aileron est positif à partir de 0,35 - la courbe verte s'élève au-dessus de la courbe rouge.
Est-ce cela que vous voulez calibrer - déplacer le point de séparation des classes vers le point de génération de revenus ?
Est-ce exactement ce que vous voulez calibrer - déplacer le point de division des classes vers le point de génération de revenus ?
Non.
Alors quel est le but ?
Je pense que tout le monde a entendu parler de l'étalonnage, mais il n'est d'aucune utilité pratique, précisément parce que l'échantillon n'est pas représentatif.
L'estimation probabiliste des feuilles individuelles donne, à mon avis, un résultat plus raisonnable que la repondération de la somme des feuilles du modèle.
Je pense que tout le monde a entendu parler de l'étalonnage, mais il n'y a aucune utilité pratique à cela, simplement parce que l'échantillon n'est pas représentatif.
L'estimation probabiliste des feuilles individuelles donne, à mon avis, un résultat plus raisonnable que la repondération de la somme des feuilles du modèle.
Tout le monde a tout entendu, mais personne n'a répondu à rien. Sans parler d'autres nuances qui ne sont pas révélées, mais dont on devine seulement qu'il s'agit de cela.
J'ai eu l'idée d'un calibrage constant, avec un certain poids - quelque chose comme EMA pour chaque intervalle. Ainsi, il y aura au moins un effet d'adaptation à la volatilité du marché et à l'obsolescence du modèle.
Je ne vois pas l'intérêt d'un étalonnage statique sur des données distinctes. En ce qui concerne mes prédicteurs, j'ai étudié la question de la stabilité des indicateurs statistiques, et ces indicateurs sont peu nombreux, et le modèle est rempli de prédicteurs erratiques. C'est la raison pour laquelle je recherche une stabilité à laquelle quelque chose comme ceci peut être appliqué.....
Dans la capture d'écran ci-dessus, j'ai montré le modèle en section - vous pouvez voir à quel point le rappel sur les bords est généralement faible, ce qui indique déjà que les mesures statistiques ne sont pas égales pour la même pondération, et souvent elles ne seront pas suffisantes pour parler, même en théorie, de stabilité dans cette gamme de "probabilité". De ce point de vue également, l'étalonnage du total semble être une idée douteuse.
Je suis plus intéressé par l'idée de repondérer les valeurs dans les feuilles, cependant, j'ai déjà écrit à ce sujet, mais je n'ai pas eu de retour ici - c'est donc à moi de le faire....
https://education.yandex.ru/handbook/ml/article/veroyatnostnyj-podhod-v-ml
https://education.yandex.ru/handbook/ml/article/kak-ocenivat-veroyatnosti