L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3359
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
Quel est le rapport avec l'Angleterre ?
Vous semblez être un homme qualifié, mais vous vous traînez toujours vers la poubelle.
Vous ne formulez que très rarement des objections de fond...
Lesclassificateurs tels que la méthode du vecteur de support et les arbres de décision sont dotés de la fonction predict_proba parce qu'ils peuvent fournir des estimations de probabilités de classe sur la base de leurs caractéristiques internes. Toutefois, ces estimations de probabilité peuvent ne pas être totalement exactes ou ne pas refléter la confiance réelle du classificateur.
Par exemple, pour la méthode du vecteur de support , lafonction predict_proba peut renvoyer des estimations de probabilité basées sur la distance à l'hyperplan de séparation, mais ces valeurs peuvent être faussées en raison des caractéristiques de la méthode elle-même.
Pour les arbres de décision , la fonctionpredict_proba peut calculer les probabilités de classe sur la base du nombre d'objets de chaque classe dans les nœuds feuilles, mais ces probabilités peuvent ne pas être tout à fait exactes en raison de la structure de l'arbre.
Ainsi,bien que ces classificateurs disposent d'une fonction predict_proba, les probabilités qu'ils fournissent peuvent être moins fiables que les méthodes basées sur un modèle probabiliste, telles qu'un classificateur bayésien naïf ou une régression logistique.
Je présente une petite expérience pour <removed by moderator>.
Un modèle a été entraîné, peu importe lequel, et sans calibration il n'améliore pas ses propriétés lorsque le seuil est augmenté. Les transactions deviennent moins nombreuses, le profit futcor n'augmente pas.
Calibré de la manière disponible, exécuté avec différents seuils. L'étalonnage a eu lieu après 2015, tout ce qui est antérieur à cette date est OOS.
La méthode est personnalisée, je l'ai inventée moi-même. Je la comparerai ensuite avec les méthodes les plus connues, car il y a un petit problème dans leur exportation vers MT5, puis je déciderai.
seuil 0.5
0.6
0.7
Un exemple simple qui montre que l'étalonnage des modèles, même faibles au départ, donne des résultats.
CHTD
Lisez les articles, lisez les articles sur les liens.
Impression étrange.
D'après les articles, le point d'étalonnage est le lissage d'une manière ou d'une autre. Et qu'y a-t-il de mieux que de fixer des seuils sur des probabilités lissées et sur des probabilités non lissées ? Il n'y a pas d'estimation, bien que pour moi il y ait une estimation de l'erreur de classification.
si cela a un sens.
Nouvelles activités - vente de prédicteurs
Un exemple simple est que l'étalonnage des modèles, même s'ils sont initialement faibles, donne des résultats.
L'étalonnage est un mécanisme d'interprétation des performances du modèle, adapté à certaines données.
En soi, il ne modifie pas les valeurs de sortie du modèle. La variante où, après la quantification, les fourchettes sont réarrangées en raison d'un pic dans la proportion de la classe - je n'ai pas vu cela dans les modèles - tout se passe toujours en douceur. Peut-être que si vous le divisez en 100 segments, cela se produira....
D'après la simulation, le calibrage entraîne généralement un déplacement du point 0,5 - plus souvent du côté le plus élevé. Donc, sans calibration, vous pouvez trouver un tel point - la raison pour laquelle vous n'avez pas réussi à le faire n'est pas claire, surtout si vous avez le même Take Profit et Stop Loss pour toutes les positions. S'ils ne sont pas les mêmes, alors vous avez besoin d'une approche complètement différente - calibration par matrice d'espérance :)
L'étalonnage est un mécanisme d'interprétation des performances d'un modèle, adapté à certaines données.
En soi, il ne modifie pas les valeurs de sortie du modèle. La variante où, après la quantification, le réarrangement des fourchettes se produit en raison d'une augmentation de la proportion des classes - je ne l'ai jamais vue dans les modèles - tout se passe toujours en douceur. Peut-être que si vous divisez par 100 segments, cela se produira....
Selon la simulation, l'étalonnage entraîne généralement un déplacement du point 0,5 - plus souvent du côté le plus élevé. Donc, sans calibration, vous pouvez trouver un tel point - la raison pour laquelle vous n'avez pas réussi à le faire n'est pas claire, surtout si vous avez le même Take Profit et Stop Loss pour toutes les positions. S'ils ne sont pas les mêmes, alors vous avez besoin d'une approche complètement différente - calibration par matrice d'espérance :)
Je n'agite personne du tout. Il existe de nombreuses approches, la question portait sur les connaissances du gestionnaire.
Il y a toujours un remède magique à tous les problèmes - optimiser tout ce qui bouge.