トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 3356

新しいコメント
 
Maxim Dmitrievsky #:
せめてググってくれる人がいればと思ったんだけど。

たとえトレーニングで確率曲線を持っていたとしても、どんな新しいデータについて話すことができるだろう。そして、バスティングとフォレストはこれで大きな罪を犯している。バスティングは自信過剰、フォレストは自信不足。もちろん、閾値を使う予定があればの話だが。

私自身は、しきい値を大きくしても、トレードの質はトレーンでも向上しないことを観察してきました。では、モデルが返す確率は？何もありません。）

Sanychの画像では自己確信バストであり、あなたはエッジ列外れ値で見ることができます。谷はもっと滑らかであるべきです。これはオーバートレーニングモデルだ。

0.05ステップの「確率」範囲でのモデルの結果を示しています。CatBoostはクラス分けをかなり正確に0.5にします（magnettaは1、aquaは0）。

フィンの結果が0.35からプラスになっていることがわかります - 緑の曲線が赤の曲線より上に上がっています。

これがキャリブレーションしたいことなのでしょうか？クラス分けのポイントを収益が発生するポイントにシフトさせたいのでしょうか？

 
Aleksey Vyazmikin #:

それこそ、階級を分けるポイントを収入を得るポイントに移すということなのだろうか？

いいえ。
 
ラ。30回聞くことはできても、ググることはできない。
 
Maxim Dmitrievsky #:
いいえ。

では、目的は何ですか？

 

キャリブレーションについては誰もが耳にしたことがあると思うが、サンプルが代表的でないため、正確には実用的ではない。

個々の葉の確率的推定は、モデルの葉の合計を再重量化するよりも合理的な結果を与えると私は思う。

 
Aleksey Vyazmikin #:

検量線については誰もが耳にしたことがあると思うが、サンプルが代表的なものではないだけで、実用性はない。

個々の葉の確率的推定は、モデルの葉の合計を再重量化するよりも合理的な結果を与えると私は思う。

誰もがすべてを聞いているが、誰も何も答えていない。他のニュアンスが開示されていないことは言うまでもないが、そうであることが判明したと推測されるだけである。

そして、弱い（期待値の低い）、しかし安定したOOSモデルを持っている場合、あまりにも校正する意味がないのでしょうか？と考えてみると
 
Maxim Dmitrievsky #:
誰もがすべてを聞いたが、誰も何も答えなかった。他のニュアンスは言うまでもないが、明らかにされていないだけで、結局はこうなんだろうと推測している。

そして、OOSモデルで弱い（期待値が低い）が安定している場合、それも校正する意味がないのでは？と考えてみると

そこで私は、各区間にEMAのような重み付けをして、一定のキャリブレーションを行うことを思いつきました。そうすれば、少なくとも市場のボラティリティやモデルの陳腐化に適応する効果がある。

別個のデータで静的キャリブレーションを行う意味はないと思います。私の予測変数について、統計的指標の安定性の問題を調査しましたが、そのような指標はほとんどなく、モデルはそのような不安定な予測変数でいっぱいです。だから私は、このようなものが適用できる安定性を探しているのです。

上のスクリーンショットでは、モデルの断面図を示しましたが、通常、端のRecallがいかに低いかがわかると思います。これは、同じ重み付けに対して統計的な尺度が等しくないことをすでに物語っており、この範囲の「確率」では、安定性について理論的に語るには十分でないことがよくあります。だから、この観点からも、合計を校正することは疑わしいアイデアに見える。

しかし、私は葉っぱの値の重み付けを変えるというアイデアにもっと興味がある。以前、それについて書いたことがあるが、ここでは何のフィードバックも得られなかった。

 
また新しい定義をいくつか。
最後に：分類器は誤った確率を出力するので、校正される。このままでは意味がない。それを乗り越えてください。
 
キャットバスタはオープンコードを持っている。
1...334933503351335233533354335533563357335833593360336133623363...3399
新しいコメント
理由: