L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2835
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
In genetica, prendiamo le variabili e massimizziamo un criterio. Qui non si può fare, perché si tratta di una classificazione. Non c'è alcuna relazione tra il profitto e le etichette di classe. Nel migliore dei casi, si otterrà un'assurdità. Ecco perché tali criteri sono collocati in eval_metrics.
Non c'è felicità nella vita).
Non c'è felicità nella vita)
Anche dal nome perdita ph-y è la perdita ph-y tra i valori di riferimento e il modello
In effetti, ci stiamo spostando dall'area del MO a quella più generale dell'ottimizzazione. Tuttavia, "guadagnare il più possibile" non è la stessa cosa di "avere ragione il più spesso possibile".
1. v
2. Ecco una figura, come una curva di un'ipotetica funzione di apprendimento.
Siete convinti che la griglia si fermerà all'estremo locale 1? O forse al 2? O cosa, al 3, come nel mezzo? Quindi non sappiamo in anticipo quanti siano gli estremi locali, potrebbero essere 100500 o anche di più. Ecco perché è importante cercare di trovare l'estremo locale più alto che l'algoritmo è in grado di raggiungere.
È molto bello e dimostrabile nel senso di giustificare la ricerca di un massimo globale.
Ma questo è un discorso storico.
E se aggiungessimo una barra a destra? Sarebbe ancora bello? O crollerebbe? Il mercato non è stazionario. Credete al tester? Lo trova, è bello, a colori...
In genetica, prendiamo le variabili e massimizziamo un criterio. Qui non si può fare, perché si tratta di una classificazione. Non c'è alcuna relazione tra il profitto e le etichette di classe. Nel migliore dei casi, si otterrà un'assurdità. Ecco perché tali criteri sono collocati in eval_metrics.
Anche dal nome perdita ph-y è la perdita ph-y tra i valori di riferimento e il modello
c'è un manicotto
La qualità della classificazione può essere valutata in qualche modo. Pertanto, massimizzare questa valutazione è l'obiettivo dell'ottimizzazione.
Molto bello e dimostrabile nel senso di giustificare la ricerca di un massimo globale.
Ma è nella storia.
E se aggiungessimo una barra a destra? La bellezza rimarrebbe? O crollerebbe? Il mercato non è stazionario. Credete al tester? Lo trova, è bello, a colori...
Non importa se è nella storia o nel futuro. E il tester stesso non ha nulla a che fare con questo.
Ciò che conta è la proprietà di un algoritmo (un algoritmo di ottimizzazione individuale o come parte di una griglia) di trovare l'optimum globale di un criterio di valutazione. Sottolineo: il criterio di valutazione. Il criterio di valutazione non è necessariamente e/o solo il profitto. Può essere qualsiasi cosa, per esempio, il criterio di valutazione del lavoro su OOS non è un criterio (minimizzare la differenza tra campione e OOS)? - è solo un'idea. I criteri possono essere qualsiasi cosa e di qualsiasi complessità. È importante capire che il criterio del "profitto" è una cosa discreta e molto goliardica, per cui si cerca di trovare criteri di valutazione più morbidi e monotoni, il che in genere migliora la qualità dell'ottimizzazione stessa e dell'addestramento neuronico in particolare.
Quindi, tornando a ciò che ho disegnato sull'immagine altamente artistica - una chiara illustrazione del fatto che in condizioni in cui non si conoscono né il numero né le caratteristiche degli estremi locali, l'unica via d'uscita è cercare il più possibile quello che è possibile in condizioni di capacità computazionali limitate.
Plateau - sì, esiste una nozione del genere, ma non è legata all'ottimizzazione, si tratta di classificare insiemi di parametri simili in base a qualche attributo. La ricerca di un plateau stabile è un compito complesso a parte.
Ho finalmente ottenuto la mia funzione di perdita, la cui derivata è rappresentata come prodotto di Sharpe, errore e pesi.
is_max_optimal=False indica che il valore è decrescente, ma poiché ho anche moltiplicato per -1, è vero il contrario.
Infine, ha una propria funzione di perdita, la derivata, rappresentata come prodotto di Sharpe, errore e pesi.
is_max_optimal=False indica che il valore è decrescente, ma poiché ho anche moltiplicato per -1, è vero il contrario.