Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2585
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Interessante, mas não claro por onde começar. A perda deve ser baseada em algumas noções sobre padrões de mercado, aparentemente. Bem, por exemplo, pode-se fazer correções na volatilidade.
Acho que para começar é bastante simples - classificação por regressão logística em duas classes (entrada/saída) e com um pequeno número de atributos. Só para ver porque é que o tema não é muito popular.
As métricas personalizadas são usadas para selecionar modelos, mas a aprendizagem ainda é feita por métricas padrão (logloss para classificação, por exemplo). Porque as suas métricas não estão relacionadas com a relação característica/alvo, enquanto que as métricas padrão estão. E aqui não está claro se depois se deve seleccionar modelos por Sharpe Ratio ou R2, ou parar imediatamente de aprender ao maximizá-los. Podias provavelmente fazê-lo de ambas as maneiras.
Uma falácia completa, estou um pouco envergonhada por ti...
Ainda assim, seria interessante experimentar acabar com as métricas padrão e substituí-las por outras similares às usadas na otimização de metatraders) Eu provavelmente teria que ir para um nível mais baixo e trabalhar diretamente com pacotes de otimização
É isso que vos tenho dito há mais de meio ano, é melhor treinar AMO através de FUNÇÃO DE ADEQUAÇÃO!
Total ilusão, estou um pouco envergonhada por ti...
Você acabou de expressar vergonha japonesa para toda a comunidade mundial. ) Existe um grande conjunto de métricas personalizadas, mas o treinamento principal é para minimizar a perda de logloss. Parar de aprender por encomenda faz. Combinar a base com os personalizados é óptimo, não vale a pena alardear. Estuda, estudante.
Sou um estudante para toda a vida.
Estudar, estudante vitalício
Logloss mostra a quantidade de informação mútua entre os traços e o alvo, tanto quanto eu entendo. Este é o valor f mais objetivo, sem descrever o tipo de dependência. O modelo é treinado para minimizar a perda de tais informações, especialmente o boosting funciona desta forma.
Exemplo...
Há uma característica do quadro de dados "X".
Há um modelo "M".
Há 5 séries cronológicas "tc5".
A tarefa é.
O modelo "M" toma "X" como entrada (tudo é como de costume)
e "M" produz dois vetores que devem ser
1) estacionário máximo
2) não correlacionar com todos os vetores "Мc5" na medida do possível
Você não tem um alvo na sua forma habitual, você tem requisitos para as saídas do modelo...
Não estamos a prever preço, zz, devoluções, etc., essa é outra canção no total.
Como vai resolver isto com o seu impulso fora da caixa?
exemplo...
Há uma característica do quadro de dados "X".
Há um padrão "M".
Há 5 séries cronológicas "tc5".
A tarefa é.
O modelo "M" toma "X" como entrada (tudo é como de costume)
e "M" produz dois vetores que devem ser
1) estacionário máximo
2) não se correlacionar com todos os vetores "Мc5".
Você não tem um alvo na sua forma habitual, você tem requisitos para as saídas do modelo...
Não estamos a prever preço, zz, devoluções epr, essa é outra canção no total.
Como você vai resolver uma coisa dessas com o seu impulso fora da caixa?
Ao enumerar os alvos, a tarefa é invertida
1) você ensina o modelo milhões de vezes e vê o que acontece?
Sim, bem, tiro ao alvo a partir do tecto, ou f-u. Estás a fazer o treino ao contrário, tanto quanto sei pela descrição. Qual é a sua vantagem sobre a clássica, esta pergunta precisa de ser respondida
))))
Eu estou fora)