Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2834
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
Não tive sucesso com o xgboost...
Sim, essa é a parte complicada. Você precisa calcular o gradiente e a matriz de segundas derivadas, a Hessiana. O Hessiano também deve ser positivamente definido.
Para o lucro, por exemplo, o Hessiano é degenerado (igual a zero). É necessário, de alguma forma, ajustar a função de perda a um compromisso razoável entre necessidade e necessidade.
1. Sobre o sobrenome, levarei isso em consideração. Você é a única pessoa que conheço com esse sobrenome.
2) Gostaria de objetar que não devemos levar a ideia ao absurdo, mas, na realidade, o caso é o mesmo: não precisamos de nenhum ponto ótimo - precisamos de platôs, quanto mais extensos, melhor, quanto mais lucrativos, melhor. E o extremo é sempre um estado instável, mas precisamos de um estado estável, e no futuro. Portanto, verifica-se que a busca por ótimos é uma atividade prejudicial.
Aqui estou defendendo a ideia de que a estabilidade do lucro no futuro depende das propriedades dos preditores e depende muito pouco do modelo, e menos ainda dos algoritmos de otimização. Ou seja, uma abordagem completamente diferente.
O que estou defendendo aqui é a ideia de que a sustentabilidade dos lucros no futuro depende das propriedades dos preditores e depende muito pouco do modelo, muito menos dos algoritmos de otimização. Essa é uma abordagem completamente diferente.
Pode me enviar sua amostra? Temos a mesma visão do problema de aprendizado de modelo ruim. Gostaria de comparar o quanto seu método de seleção é melhor que o meu e se ele se ajusta à sua amostra.
Sim, essa é a parte complicada. Você precisa calcular o gradiente e a matriz de segundas derivadas - o Hessiano. O Hessiano também deve ser definido positivamente.
Para o lucro, por exemplo, o Hessiano é degenerado (igual a zero). É necessário, de alguma forma, ajustar a função de perda a um compromisso razoável entre necessidade e necessidade.
Aqui, pelo que entendi, o Hessiano não é levado em conta de forma alguma.
Ele funciona apenas para reduzir o gradiente.
Isso é diferente.
Lembro que tive muitos problemas com isso, então desisti.
Mas seria legal treinar meu físico).Mas, na realidade, esse é o caso: não precisamos de nenhum ponto ótimo - precisamos de platôs, quantomais extensos, melhor, quanto mais lucrativos, melhor. E um extremo é sempre um estado instável, e o
E a função que avalia "quanto platô/não platô" não é a busca pelo máximo?
E uma função que avalia "quanto mais lucrativo, melhor" não é uma busca pelo máximo ?
E a função que avalia "quanto mais extenso, melhor" não é uma busca pelo máximo?
E a função que avalia "estado estável/não estável" não é uma pesquisa máxima?
Ou você também precisa de um platô? )))) Bem, então veja o primeiro ponto ))))
Ah, essas pessoas profanas ...
Estou defendendo aqui a ideia de que a sustentabilidade dos lucros no futuro depende das propriedades dos preditores e muito pouco do modelo, muito menos dos algoritmos de otimização. Ou seja, uma abordagem completamente diferente.
Você não deve promover a ideia, mas prová-la ou pelo menos justificá-la....
Havia um aqui, defendendo a ideia de que o Mashka é a melhor coisa que pode existir, e qual é a utilidade desse empurrão??????
1. Vou me lembrar do sobrenome. Você é a única pessoa que conheço com esse sobrenome.
2) Gostaria de objetar que não devemos levar a ideia ao absurdo, mas, na realidade, o caso é o mesmo: não precisamos de nenhum ótimo - precisamos de platôs, quanto mais extensos, melhor, quanto mais lucrativos, melhor. E o extremo é sempre um estado instável, mas precisamos de um estado estável, e no futuro. Portanto, verifica-se que a busca por ótimos é uma ocupação prejudicial.
Aqui estou defendendo a ideia de que a estabilidade do lucro no futuro depende das propriedades dos preditores e depende muito pouco do modelo, e menos ainda dos algoritmos de otimização. Essa é uma abordagem completamente diferente.
1. v
2) Aqui está uma figura, como uma curva de alguma função de aprendizado hipotética.
Você está convencido de que a grade irá parar no extremo local 1? Ou talvez 2? Ou o quê, 3, como no meio? Portanto, não se sabe de antemão quantos extremos locais existem, pode haver 100500 ou até mais. É por isso que é importante tentar encontrar o maior de todos os extremos locais que o algoritmo pode alcançar.
O que está sendo proposto para substituir o logloss?
Se for uma pergunta para mim, o lucro ou algum análogo razoável dele. Lucro - que por enquanto seja apenas a soma de todos os (close[i] - open[i])*prognos[i], em que prognos[i] é a previsão da cor da vela e é 1 ou -1. Talvez seja necessário modificá-lo de alguma forma para obter um bom comportamento de gradiente e hessiano.
Se for uma pergunta para mim, lucro ou algum análogo razoável dele. Lucro - que por enquanto seja apenas a soma de todos os (close[i] - open[i])*prognos[i], em que prognos[i] é a previsão da cor da vela e é 1 ou -1. Talvez seja necessário modificá-lo de alguma forma para obter um bom comportamento de gradiente e hessiano.