L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3075

Nuovo commento
 
Il punteggio di propensione viene stimato per ogni oggetto condizionato, dai cui punteggi si forma un punteggio di cate complessivo.
 
mytarmailS #:
Se, ad esempio, esiste un sistema di trading che funziona sulla storia....
Quali stress test possono essere ideati per aumentare la probabilità che funzioni su nuovi dati?

E se provassimo a rispondere a questa domanda in base all'articolo fornito da Maxim?

https://arxiv.org/pdf/2201.12692.pdf
 
СанСаныч Фоменко #:

E se provassi a rispondere a questa domanda in base all'articolo che ha dato maxim?

https:// arxiv.org/pdf/2201.12692.pdf

L'orgoglio non lo permette. Ha fatto tutto molto tempo fa in 15 minuti 🗿

 
Maxim Dmitrievsky #:

L'orgoglio non lo permette. Voglio dire, ha fatto tutto molto tempo fa in 15 minuti 🗿

Hai usato qualcosa per tradurre questo articolo? Ho provato con yandex, ma è morto.

 
Aleksey Vyazmikin #:

Hai usato qualcosa per tradurre questo articolo? Ho provato con Yandex, ma è morto.

con la testa. Chiedi GPT, a volte è meglio contestualizzato.

 
Maxim Dmitrievsky #:

con la testa. Chiedete la GPT, a volte si adatta meglio al contesto.

Oh, sono indietro - non ho GPT :(((((

 
Aleksey Vyazmikin #:

Hai usato qualcosa per tradurre questo articolo? Ho provato con Yandex, ma è morto.

https://www.chatpdf.com/.

e poi la traduzione.

    Benvenuti in questo PDF informativo su "Meta-apprendimento per la stima causale"! In questo articolo, Gabriel Okasa esplora i risultati di un campione finito di meta-apprendimento per la stima di effetti di trattamento eterogenei. Continuate a leggere per conoscere i vantaggi del campionamento frazionato e del cross-fitting per ridurre l'errore sistematico e migliorare l'efficacia dei meta-apprenditori.

    Esempi di domande:
    Cosa sono i meta-studi e come aiutano a stimare gli effetti causali?
    In che modo la suddivisione del campione e il cross-fitting riducono l'errore sistematico di overfitting nella valutazione dei meta-apprenditori?
    Quali sono le raccomandazioni pratiche per l'utilizzo del meta-apprendimento in campioni di piccole e grandi dimensioni?

    Cosa sono i meta-studi e come aiutano a stimare gli effetti causali?

    I meta-apprendimenti sono algoritmi di apprendimento automatico progettati per stimare le relazioni causali. Funzionano imparando da una serie di apprendisti di base, che sono a loro volta algoritmi di apprendimento automatico che predicono gli effetti del trattamento. I meta-apprenditori combinano quindi le previsioni di questi apprendenti di base per produrre una stima complessiva dell'effetto causale. Questo approccio può contribuire a ridurre l'errore sistematico e a migliorare l'accuratezza delle stime dell'effetto causale. Per ulteriori informazioni sul meta-apprendimento, si veda la sezione 3.2 a pagina 4.

    In che modo il sample splitting e il cross-fitting riducono l'errore sistematico di overfitting nelle stime dei meta-studi?

    Il sample splitting e il cross-fitting sono due metodi utilizzati per ridurre l'errore sistematico di overfitting nella valutazione dei meta-studenti. La suddivisione del campione comporta la divisione dei dati in due o più sottoinsiemi, utilizzando un sottoinsieme per insegnare agli studenti di base e un altro sottoinsieme per stimare l'effetto causale. Il cross-fitting prevede l'addestramento di ciascun discente di base su un diverso sottoinsieme di dati e l'utilizzo di ciascun discente per prevedere gli effetti del trattamento sull'altro sottoinsieme di dati. Entrambi i metodi aiutano a ridurre l'errore di sovrallenamento, evitando che gli apprendenti di base ricordino il rumore nei dati. Per ulteriori informazioni sulla suddivisione dei campioni e sul cross-fitting, si veda la Sezione 2.2 a pagina. 3.

    Quali sono le raccomandazioni pratiche per l'uso del meta-apprendimento in campioni di piccole e grandi dimensioni?
    Questo articolo presenta raccomandazioni pratiche per l'uso dei meta-studi negli studi empirici a seconda delle caratteristiche specifiche dei dati, come la proporzione di trattamento e la dimensione del campione. In caso di campioni piccoli, è preferibile una stima a campione completo, mentre in caso di campioni grandi, la suddivisione del campione e il cross-fitting sono utili per ridurre l'errore sistematico e l'efficacia del meta-apprendimento, rispettivamente. Per maggiori informazioni su queste raccomandazioni, si veda la Sezione 4 a pagina 4. 5.
 
Aleksey Vyazmikin #:

Sono indietro - non ho la GPT :(((((

Avresti dovuto chiedergli di scrivere codice per se stesso, non per noi ) ancora meglio di uno studente, non c'è bisogno di dargli da mangiare salsicce

 
Valeriy Yastremskiy #:

https://www.chatpdf.com/

e poi la traduzione

    Benvenuti a questo PDF informativo sul "meta-apprendimento per la stima degli effetti causali"! In questo articolo, Gabriel Okasa esplora i risultati del meta-apprendimento a campione finito per la stima degli effetti eterogenei del trattamento. Continuate a leggere per conoscere i vantaggi del campionamento frazionato e del cross-fitting per ridurre l'errore sistematico e migliorare l'efficacia del meta-apprendimento.

Grazie. Ho scaricato il file e ora chiede di fare domande in inglese. Come posso insegnarlo in russo?

 
Maxim Dmitrievsky #:

Avresti dovuto chiedergli di scrivere codice per se stesso, non per noi ) meglio ancora di uno studente, non c'è bisogno di dargli da mangiare una salsiccia.

Ottimo piano! Ho capito che hai bisogno di un telefono straniero, ma dove lo trovi?

1...306830693070307130723073307430753076307730783079308030813082...3399
Nuovo commento