L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3380
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 MO, la funzione di fitness viene utilizzata per addestrare il modello (selezione dei parametri) attraverso l'ottimizzazione. Per valutare il modello risultante si utilizza una o più metriche. Spesso la metrica NON corrisponde alla funzione di fitness. Da un punto di vista matematico, ciò significa che il MO risolve un problema di ottimizzazione MULTICRITERIALE piuttosto che il solito problema a singolo criterio.
Un'altra differenza significativa rispetto all'ottimizzazione convenzionale è la frequente assenza di un insieme fisso di parametri di ottimizzazione. Anche per un albero regolare questo è già il caso. Da un punto di vista matematico, questo porta a un problema di ottimizzazione nello spazio FUNZIONALE, invece che in quello numerico.
Entrambi questi punti rendono i problemi di MO irriducibili all'ottimizzazione convenzionale.
In MO, la funzione di fitness viene utilizzata per addestrare il modello (selezione dei parametri) attraverso l'ottimizzazione. Per valutare il modello risultante si utilizza una o più metriche. Spesso la metrica NON corrisponde alla funzione di fitness. Da un punto di vista matematico, ciò significa che la MO sta risolvendo un problema di ottimizzazione MULTICRITERIALE piuttosto che il solito problema a singolo criterio.
Un'altra differenza significativa rispetto all'ottimizzazione convenzionale è la frequente assenza di un insieme fisso di parametri di ottimizzazione. Anche per un albero regolare questo è già il caso. Da un punto di vista matematico, questo porta a un problema di ottimizzazione nello SPAZIO FUNZIONALE invece che nel solito spazio numerico.
Entrambi questi punti rendono i problemi di MO irriducibili all'ottimizzazione convenzionale.
Esiste un'intera classe separata di algoritmi di ottimizzazione multicriteri. Ma, se ben compresi, i multicriteri si riducono a condizioni al contorno aggiuntive e a valutazioni separate.
Anche lo spazio funzionale richiede una valutazione. Tutto richiede sempre una valutazione.
In MO, la funzione di fitness viene utilizzata per addestrare il modello (selezione dei parametri) attraverso l'ottimizzazione. Per valutare il modello risultante si utilizza una o più metriche. Spesso la metrica NON corrisponde alla funzione di fitness. Da un punto di vista matematico, ciò significa che il MO sta risolvendo un problema di ottimizzazione MULTICRITERIALE piuttosto che il solito problema a singolo criterio.
Un'altra differenza significativa rispetto all'ottimizzazione convenzionale è la frequente assenza di un insieme fisso di parametri di ottimizzazione. Anche per un albero regolare questo è già il caso. Da un punto di vista matematico, questo porta a un problema di ottimizzazione nello SPAZIO FUNZIONALE invece che nel solito spazio numerico.
Entrambi questi punti rendono i problemi di MO irriducibili all'ottimizzazione convenzionale.
Grazie per la spiegazione dettagliata. Tuttavia, c'era un contesto per sollevare l'argomento della FF. Eccolo.
Forum sul trading, sui sistemi di trading automatizzati e sul test delle strategie di trading
Machine learning nel trading: teoria, modelli, pratica e algo-trading
Maxim Dmitrievsky, 2024.01.10 19:27
Beh, attraverso una ri-ottimizzazione con un controllo su OOS può essere trovato :) che è il caso più semplice di un lupo in avanti OR cross validation con una piega.Esiste un'intera classe separata di algoritmi di ottimizzazione multi-criteri. Tuttavia, con una corretta comprensione, i multicriteri si riducono a condizioni al contorno aggiuntive e a valutazioni separate.
Anche lo spazio funzionale richiede una valutazione. Tutto richiede sempre una valutazione.
Le caratteristiche che ho menzionato funzionano simultaneamente, non una alla volta, quindi non so che tipo di confini intendete costruire negli spazi funzionali.
Sarebbe più utile se tutti i partecipanti al thread conoscessero le basi della MO moderna. Un libro di testo della SHAD sarebbe una buona opzione.
Le caratteristiche che ho menzionato non funzionano una alla volta, ma simultaneamente, quindi non so che tipo di confini intendete costruire negli spazi funzionali.
Sì, stiamo parlando del lavoro simultaneo di componenti separati in spazi multifunzionali. Entrambi i componenti possono essere valutati separatamente in uno spazio multifunzionale e tutti insieme - tramite meta-valutazioni, o altrimenti - tramite valutazioni integrali. L'una non interferisce con l'altra. Tutte le fasi del MO richiedono valutazioni, a questo scopo esistono molte metriche speciali, la cui massimizzazione è l'essenza dell'ottimizzazione.
1) In MO, la funzione di fitness viene utilizzata per addestrare il modello(selezione dei parametri) attraverso l'ottimizzazione. Unao più metriche vengono utilizzate per valutare il modello risultante. Spesso la metrica NON corrisponde alla funzione di fitness. Da un punto di vista matematico, ciò significa che la MO sta risolvendo un problema di ottimizzazione MULTICRITERIALE piuttosto che il solito problema a singolo criterio.
2) Un'altra differenza significativa rispetto all'ottimizzazione convenzionale è la frequente assenza di un insieme fisso di parametri di ottimizzazione. Anche per un albero regolare questo è già il caso. Da un punto di vista matematico, questo porta a un problema di ottimizzazione nello SPAZIO FUNZIONALE invece che nel solito spazio numerico.
Entrambi questi punti rendono i problemi di MO irriducibili all'ottimizzazione convenzionale.
1)
Qual è la contraddizione?
selezione dei parametri == ricerca dei parametri nell'algoritmo di ottimizzazione
stima della metrica del modello == FF con stima akurasi per esempio.
Su cosa non sei d'accordo?
2)
Puoi spiegare meglio qual è il problema che vedi? Ad esempio, non vedo
Grazie per la spiegazione dettagliata. C'era ancora un contesto per sollevare l'argomento FF. Eccolo.
Ho visto la tua domanda, ma non posso dire nulla di comprensibile al riguardo.
E non sono un ottimo traduttore della lingua di Maxim).
Sì, stiamo parlando del lavoro simultaneo di singoli componenti in spazi multifunzionali. Entrambi i componenti possono essere valutati separatamente in uno spazio multifunzionale e tutti insieme - tramite meta-valutazioni, o altrimenti - tramite valutazioni integrali. L'una non interferisce con l'altra. Tutte le fasi del MO richiedono valutazioni, a questo scopo esistono molte metriche speciali, la cui massimizzazione è l'essenza dell'ottimizzazione.
Ho visto la sua domanda, ma non posso dire nulla di comprensibile al riguardo.
E non sono un ottimo traduttore della lingua di Maxim).
Non si tratta di traduzione.
Forum sul trading, sui sistemi di trading automatizzati e sulla verifica delle strategie di trading
Machine learning nel trading: teoria, modelli, pratica e algo-trading
fxsaber, 2024.01.10 19:43
Supponiamo che siano stati fatti 100 passi - abbiamo 100 set di input. Se formiamo l'insieme medio secondo il principio"ogni input è uguale alla media dei 100 set di input corrispondenti", è improbabile che questo insieme superi bene l'intero intervallo iniziale.
Forum sul trading, sui sistemi di trading automatizzati e sul test delle strategie di trading
L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading
Maxim Dmitrievsky, 2024.01.10 19:46
In caso contrario, non ci sono set buoni in assoluto, logicamente. In termini di fiducia nel futuro.È chiaro che cento set dipendono da FF.
Fornire riferimenti, se non è difficile (articoli, libri).
Ho tenuto in archivio diverse centinaia di libri su reti neurali, MO, ottimizzazione, matematica. Ho fornito un link all'archivio. L'archivio è stato a disposizione di tutti nel cloud per diversi anni, al momento non supporto questo archivio, il cloud con l'archivio non esiste più.
A.P. Karpenko ha molti libri su questi argomenti, buoni libri sono quelli di Simon D.