Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3075

Novo comentário
 
O escore de propensão é estimado para cada objeto condicional, a partir de cujas pontuações é formado um escore de probabilidade geral.
 
mytarmailS #:
Se, por exemplo, houver um sistema de negociação que funcione no histórico....
Quais testes de estresse podem ser desenvolvidos para aumentar a probabilidade de que ele funcione com novos dados?

E se tentarmos responder a essa pergunta nos termos do artigo que Maxim forneceu?

https://arxiv.org/pdf/2201.12692.pdf
 
СанСаныч Фоменко #:

E se você tentar responder a essa pergunta nos termos do artigo que a máxima forneceu?

https:// arxiv.org/pdf/2201.12692.pdf

O orgulho não permite isso. Ele fez tudo isso há muito tempo, em 15 minutos 🗿

 
Maxim Dmitrievsky #:

O orgulho não permite isso. Quero dizer, ele fez tudo isso há muito tempo, em 15 minutos 🗿

Você usou algo para traduzir este artigo? Tentei o yandex, mas ele não funciona.

 
Aleksey Vyazmikin #:

Você usou algo para traduzir esse artigo? Tentei o Yandex, mas ele não funciona.

Com sua cabeça. Peça o GPT, que às vezes é mais bem contextualizado.

 
Maxim Dmitrievsky #:

com sua cabeça. Peça o GPT, pois às vezes ele se ajusta melhor ao contexto

Oh, estou atrasado - não tenho GPT :(((((

 
Aleksey Vyazmikin #:

Você usou algo para traduzir esse artigo? Tentei o Yandex, mas ele não funciona.

https://www.chatpdf.com/.

e depois a tradução.

    Bem-vindo a este PDF informativo sobre "Meta-aprendizagem para estimativa causal"! Neste artigo, Gabriel Okasa explora os resultados de uma amostra finita de meta-aprendizes para estimar efeitos de tratamento heterogêneos. Continue lendo para saber mais sobre os benefícios da amostragem dividida e do ajuste cruzado para reduzir o erro sistemático e melhorar a eficácia dos meta-aprendizes.

    Exemplos de perguntas:
    O que são meta-estudos e como eles ajudam a estimar efeitos causais?
    Como a divisão de amostras e o ajuste cruzado reduzem o erro de sobreajuste sistemático na avaliação do meta-aprendiz?
    Quais são as recomendações práticas para o uso da meta-aprendizagem em amostras de tamanhos pequenos e grandes?

    O que são meta-estudos e como eles ajudam a estimar os efeitos causais?

    O meta-aprendizado é um algoritmo de aprendizado de máquina projetado para estimar relações causais. Eles funcionam aprendendo com um conjunto de aprendizes de linha de base, que são algoritmos de aprendizado de máquina que preveem os efeitos do tratamento. Em seguida, os meta-aprendizes combinam as previsões desses alunos de base para produzir uma estimativa geral do efeito causal. Essa abordagem pode ajudar a reduzir o erro sistemático e melhorar a precisão das estimativas do efeito causal. Para obter mais informações sobre meta-aprendizagem, consulte a Seção 3.2 na página 4.

    Como a divisão de amostras e o ajuste cruzado reduzem o erro de sobreajuste sistemático nas estimativas de meta-estudos?

    A divisão da amostra e o ajuste cruzado são dois métodos usados para reduzir o erro de sobreajuste sistemático na avaliação de metaestudos. A divisão da amostra envolve a divisão dos dados em dois ou mais subconjuntos, usando um subconjunto para ensinar os alunos da linha de base e outro subconjunto para estimar o efeito causal. O ajuste cruzado envolve o treinamento de cada aluno de linha de base em um subconjunto diferente dos dados e, em seguida, o uso de cada aluno para prever os efeitos do tratamento no outro subconjunto dos dados. Ambos os métodos ajudam a reduzir o erro de treinamento excessivo, evitando que os alunos da linha de base se lembrem do ruído nos dados. Para obter mais informações sobre divisão de amostras e ajuste cruzado, consulte a Seção 2.2 na página. 3.

    Quais são as recomendações práticas para o uso da meta-aprendizagem em amostras de tamanhos pequenos e grandes?
    Este artigo apresenta recomendações práticas para o uso de meta-estudos em estudos empíricos, dependendo das características específicas dos dados, como a proporção do tratamento e o tamanho da amostra. Em amostras pequenas, a estimativa de amostra completa é preferível, enquanto em amostras grandes, a divisão da amostra e o ajuste cruzado são úteis para reduzir o erro sistemático e a eficácia do meta-aprendizado, respectivamente. Para obter mais informações sobre essas recomendações, consulte a Seção 4 na página. 5.
 
Aleksey Vyazmikin #:

Estou atrasado - não tenho GPT :(((((

Você deveria ter pedido a ele que escrevesse código para si mesmo, não para nós), ainda melhor do que um estudante, não há necessidade de alimentá-lo com salsicha

 
Valeriy Yastremskiy #:

https://www.chatpdf.com/

e depois a tradução

    Bem-vindo a este PDF informativo sobre "meta-aprendizado para estimar efeitos causais"! Neste artigo, Gabriel Okasa explora os resultados do meta-aprendizado de amostragem finita para estimar efeitos de tratamento heterogêneos. Continue lendo para saber mais sobre os benefícios da amostragem dividida e do ajuste cruzado para reduzir o erro sistemático e aumentar a eficácia do meta-aprendizado.

Obrigado. Fiz o download do arquivo e agora ele solicita perguntas em inglês. Como posso ensiná-lo em russo?

 
Maxim Dmitrievsky #:

Você deveria ter pedido a ele que escrevesse código para si mesmo, não para nós.

Bom plano! Entendo que você precisa de um telefone estrangeiro, mas onde você o consegue?

1...306830693070307130723073307430753076307730783079308030813082...3399
Novo comentário