L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3350

Nuovo commento
 
I MO non sanno nemmeno la differenza tra auto ml e full cyclic :)
Se fai un modello, i tuoi clienti inizieranno a tormentarti, e tu pagherai per le richieste 😀😀 meglio il tuo server.
 
fxsaber #:

Sulla stessa lista.

Ricordo che da qualche parte hai confrontato il profitto massimo tra i dts. E su un particolare grafico, quale algoritmo è stato utilizzato per ottenere il massimo profitto? Attraverso l'ottimizzazione o c'è un algoritmo rigido.
 

Anche la metodologia delle previsioni conformi riecheggia kozul, almeno in termini di ponderazione inversa delle probabilità. Non ho ancora letto altro. Un sacco di definizioni :)

E la definizione di risultati potenziali è usata allo stesso modo. Ma è già più chiaro per il caso della classificazione binaria. Cioè, non viene introdotta alcuna variabile strumentale o di tritolo.

GitHub - valeman/awesome-conformal-prediction: A professionally curated list of awesome Conformal Prediction videos, tutorials, books, papers, PhD and MSc theses, articles and open-source libraries.
GitHub - valeman/awesome-conformal-prediction: A professionally curated list of awesome Conformal Prediction videos, tutorials, books, papers, PhD and MSc theses, articles and open-source libraries.
  • valeman
  • github.com
A professionally curated list of awesome Conformal Prediction videos, tutorials, books, papers, PhD and MSc theses, articles and open-source libraries. - GitHub - valeman/awesome-conformal-predicti...
 
I miei ultimi due articoli, a livello semplice e senza sfumature, descrivono praticamente tutti questi approcci. Diciamo che non li descrivono, ma ci si avvicinano. Ora sto verificando i dettagli di ciò che hanno ricercato. Per esempio, la conformità induttiva da quella transduttiva differisce solo per uno o due classificatori, separatamente per ogni etichetta di classe. Quest'ultimo è migliore (più preciso) nella stima del posteriore. E io ho usato il metodo induttivo. Un'altra cosa da fare è riqualificare i modelli aggiungendo e scartando ogni campione, per ottenere una stima più accurata. È molto costoso, ma piuttosto efficiente. Ma si possono utilizzare classificatori semplici e veloci. Di cui ho scritto anche durante l'addestramento sui monconi.

Non vedo alcun applauso per la mia genialità.



 

Ciao!

Sto provando diversi metodi.

E l'algoritmo NN+GA sta dando i suoi frutti. Molto più stabile.

 
Alexander Ivanov #:

Ciao!

Sto provando diversi modi.

E l'algoritmo NN+GA sta dando i suoi frutti. Molto più stabile.

Stai dicendo che sei più figo di me?
 

unalettura serale con vodka, carne di cervo e cetrioli.

sviluppando il tema e cercando di collegare nella mia testa approcci provenienti da diverse discipline MOSH.

A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
  • arxiv.org
Black-box machine learning models are now routinely used in high-risk settings, like medical diagnostics, which demand uncertainty quantification to avoid consequential model failures. Conformal prediction is a user-friendly paradigm for creating statistically rigorous uncertainty sets/intervals for the predictions of such models. Critically, the sets are valid in a distribution-free sense: they possess explicit, non-asymptotic guarantees even without distributional assumptions or model assumptions. One can use conformal prediction with any pre-trained model, such as a neural network, to produce sets that are guaranteed to contain the ground truth with a user-specified probability, such as 90%. It is easy-to-understand, easy-to-use, and general, applying naturally to problems arising in the fields of computer vision, natural language processing, deep reinforcement learning, and so on. This hands-on introduction is aimed to provide the reader a working understanding of conformal...
 
Maxim Dmitrievsky #:

unalettura per una serata a base di vodka, cervo e cetriolo.

sviluppando il tema e cercando di collegare nella mia testa approcci provenienti da diverse discipline MOSH.

Buon appetito e una leggera sbornia)

Sembra essere molto simile alla previsione probabilistica, anche se scrivono che sono cose diverse. Per quanto ho capito finora, il conformale è più incentrato sulla classificazione, mentre il probabilistico è incentrato sulla regressione.

 
Maxim Dmitrievsky #:
Ricordo che da qualche parte hai confrontato il profitto massimo tra i dts. E su un particolare grafico, quale algoritmo hai utilizzato per ottenere il massimo profitto? Attraverso l'ottimizzazione o c'è un algoritmo rigido.

E con un solo passaggio. Da qualche parte sul forum.

 
Aleksey Nikolayev #:

Godetevi il vostro pasto e prendete una leggera sbornia)

Sembra essere molto simile alla previsione probabilistica, anche se scrivono che sono cose diverse. Per quanto ho capito finora, il conformale è più specializzato per la classificazione e il probabilistico per la regressione.

Grazie :) sì, simile. Scrivono che non importa la classificazione o la regressione. Il modo in cui si ottengono le stime per le previsioni tramite il confronto sulla rete di validazione è chiaro (nel caso di "Induttivo", cioè più veloce e semplice). Anche il metodo "trasduttivo" è più o meno chiaro, ma è molto lento perché richiede l'addestramento di tanti modelli quanti sono gli esempi presenti nel campione. Esistono anche varianti intermedie come il CV, che ho fatto io stesso.

Dall'articolo non ho capito bene come vengono addestrati i modelli finali, cosa viene sostituito dove. Sempre attraverso la correzione dei pesi del modello, la sua calibrazione (ponderazione del campione) o qualcosa del genere, come in kozula. Oppure i marcatori più probabili vengono sostituiti nel modello dopo la valutazione. A questo scopo ho utilizzato il secondo modello, che impedisce il trading sui cattivi esempi.

1...334333443345334633473348334933503351335233533354335533563357...3399
Nuovo commento