Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2564
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Foi o que escrevi - com o objetivo de identificar um padrão consistente que dê uma vantagem estatística em um determinado local. E nós quantificamos os preditores - qualquer preditor.
Mas "como" fazer isso é uma questão em aberto - até agora apenas por enumeração de tabelas preparadas, feitas com base em suposições empíricas ou partição estatística do algoritmo CatBoost.
Na figura 3 "quanta" - o mais provável é que seja escolhida a faixa do meio, na qual há alguma vantagem estatística.
Meu entendimento é que há um problema com a colinearidade (correlação) de quase todos os preditores. Há também um problema combinatório - se há muitos preditores, então pode haver demasiados quanta. Provavelmente, vale a pena baixar a dimensionalidade primeiro pela PCA ou PLS.
Alguém tentou anexar o paradoxo do montichol ao comércio/tomada de decisão?
Todo o paradoxo é que o problema não está totalmente formalizado matematicamente. A resposta varia dependendo de como a formalização completa é feita.
No sentido da utilidade - exceto como um exemplo instrutivo de que para um mesmo fenômeno do mundo real podem ser diferentes modelos matemáticos dando respostas diferentes.
Meu entendimento é que há um problema com a colinearidade (correlação) de quase todos os preditores. Há também um problema combinatório - se há muitos preditores, então pode haver demasiados quanta. Pode valer a pena baixar a dimensionalidade por PCA ou PLS primeiro.
Eu escrevi acima que excluo os preditores que têm sinal semelhante na amostra, ou seja, a correlação entre os preditores de quantis diminui, embora eu use meu método de agrupamento e seleção do melhor resultado de um grupo de semelhantes.
Quanto ao problema combinatório - onde exatamente você o vê? Na amostra de treino? Se assim for, então teoricamente pode ser, e provavelmente há um sentido para aplicar o PCA aqui, mas não antes de a amostra final estar pronta. Eu ainda não encontrei tal problema; pelo contrário, há menos preditores do que na amostra inicial.
O paradoxo aí é que o problema não está totalmente formalizado matematicamente. A resposta é diferente, dependendo de como a formalização completa é realizada.
No sentido da utilidade - exceto como um exemplo instrutivo de que para um fenômeno real podem ser diferentes modelos matemáticos dando respostas diferentes.
Como é que é?
aqui está um artigo com o código
Há também um milhão de outras realizações
Tudo formalizado matematicamente, ou estou a perder o objectivo?
Como assim?
aqui está um artigo com o código
há também um milhão de outras implementações
Tudo é formalizado matematicamente, ou estou a perder o objectivo?
É como o problema com 2 frascos, as condições são incompletas e você pode fantasiar sobre o resto deles e obter a resposta.
Como assim?
aqui está um artigo com o código
há também um milhão de outras implementações
Tudo é formalizado matematicamente, ou estou a perder o objectivo?
Olhe para o wiki, ele diz que a formulação inicial é incorreta e não diz claramente que ela pode ser corrigida de diferentes maneiras. A essência do paradoxo é precisamente que a intuição preenche a reticência inicial de maneiras diferentes para pessoas diferentes. Um efeito puramente psicológico.
É como o problema dos dois frascos, as condições são incompletas, a resposta será como você gosta do resto das condições.
Não percebo, mas vamos falar do meu analfabetismo...
Então, qual é o objectivo desta merda em poucas palavras?
Eu li o seu post, construa a heurst e o que fazer com ela?
Escrevi acima que excluo os preditores que têm um sinal semelhante na amostra, ou seja, a correlação entre os preditores de quantis é reduzida, embora eu use meu método de agrupamento e seleção do melhor resultado de um grupo de preditores semelhantes.
Quanto ao problema combinatório - onde exatamente você o vê? Na amostra de treino? Se assim for, então teoricamente pode ser, e provavelmente há um sentido para aplicar o PCA aqui, mas não antes de a amostra final estar pronta. Eu não encontrei tal problema na realidade - pelo contrário, há menos preditores do que na amostra inicial.
Bem, se dividirmos cada preditor em duas partes e procurarmos todas as regras possíveis onde uma metade de cada preditor está incluída, então haverá 2^N partes diferentes, onde N é o número de preditores. Agora cada uma dessas peças pode ser tirada ou descartada - obtemos 2^(2^N) variantes. Este é um número enorme, mesmo com um pequeno N.
Bem, se dividirmos cada preditor em apenas dois pedaços e olharmos para todas as regras possíveis que incluem uma metade de cada preditor, então haverá 2^N pedaços diferentes, onde N é o número de preditores. Agora cada uma dessas peças pode ser tirada ou descartada - obtemos 2^(2^N) variantes. Este é um número enorme, mesmo com um pequeno N.
Primeiro descarte e depois combine.