Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3380

 

No MO, a função de adequação é usada para treinar o modelo (seleção de parâmetros) por meio da otimização. Uma ou mais métricas são usadas para avaliar o modelo resultante. Muitas vezes, a métrica NÃO corresponde à função de adequação. Do ponto de vista matemático, isso significa que o MO resolve um problema de otimização MULTICRITERIAL em vez de um problema usual de critério único.

Outra diferença significativa em relação à otimização convencional é a ausência frequente de um conjunto fixo de parâmetros de otimização. Mesmo para uma árvore regular, esse já é o caso. Do ponto de vista matemático, isso leva a um problema de otimização no espaço FUNCIONAL, em vez do habitual no espaço numérico.

Esses dois pontos tornam os problemas de MO irredutíveis à otimização convencional.

 
Aleksey Nikolayev #:

No MO, a função de adequação é usada para treinar o modelo (seleção de parâmetros) por meio da otimização. Uma ou mais métricas são usadas para avaliar o modelo resultante. Muitas vezes, a métrica NÃO corresponde à função de adequação. Do ponto de vista matemático, isso significa que o MO está resolvendo um problema de otimização MULTICRITERIAL em vez de um problema usual de critério único.

Outra diferença significativa em relação à otimização convencional é a ausência frequente de um conjunto fixo de parâmetros de otimização. Mesmo para uma árvore regular, esse já é o caso. Do ponto de vista matemático, isso leva a um problema de otimização no ESPAÇO FUNCIONAL, em vez do habitual no espaço numérico.

Esses dois pontos tornam os problemas de MO irredutíveis à otimização convencional.

Há toda uma classe separada de algoritmos de otimização multicritério. Mas, se for bem compreendido, o multicritério se reduz a condições de limite adicionais e avaliações separadas.

O espaço funcional também requer avaliação. Tudo sempre requer avaliação.

 
Aleksey Nikolayev #:

No MO, a função de adequação é usada para treinar o modelo (seleção de parâmetros) por meio da otimização. Uma ou mais métricas são usadas para avaliar o modelo resultante. Muitas vezes, a métrica NÃO corresponde à função de adequação. Do ponto de vista matemático, isso significa que o MO está resolvendo um problema de otimização MULTICRITERIAL em vez de um problema usual de critério único.

Outra diferença significativa em relação à otimização convencional é a ausência frequente de um conjunto fixo de parâmetros de otimização. Mesmo para uma árvore regular, esse já é o caso. Do ponto de vista matemático, isso leva a um problema de otimização no ESPAÇO FUNCIONAL, em vez do habitual no espaço numérico.

Esses dois pontos tornam os problemas de MO irredutíveis à otimização convencional.

Obrigado pela explicação detalhada. Ainda assim, havia algum contexto para levantar o tópico de FF. Aqui está ele.

Fórum sobre negociação, sistemas de negociação automatizados e teste de estratégias de negociação

Aprendizado de máquina na negociação: teoria, modelos, prática e algo-trading

Maxim Dmitrievsky, 2024.01.10 19:27

Bem, por meio da re-otimização com uma verificação de OOS, é possível encontrar :) o que é o caso mais simples de uma validação cruzada OU de lobo para frente com uma dobra.
 
Andrey Dik #:

Há toda uma classe separada de algoritmos de otimização multicritério. Mas, com o entendimento adequado, os multicritérios se reduzem a condições de limite adicionais e avaliações separadas.

O espaço funcional também requer avaliação. Tudo sempre requer avaliação.

Os recursos que mencionei funcionam simultaneamente, não um a um, portanto, não sei que tipo de limites você vai criar nos espaços funcionais.

Seria mais útil se todos os participantes do tópico estivessem familiarizados com os conceitos básicos do MO moderno. Um livro didático do SHAD seria uma boa opção.

Учебник по машинному обучению
Учебник по машинному обучению
  • education.yandex.ru
Онлайн-учебник по машинному обучению от ШАД — для тех, кто не боится математики и хочет разобраться в технологиях ML.
 
Aleksey Nikolayev #:

Os recursos que mencionei não funcionam um a um, mas simultaneamente, portanto, não sei que tipo de limites você vai criar em espaços funcionais.

Sim, estamos falando do trabalho simultâneo de componentes separados em espaços multifuncionais. Ambos os componentes podem ser avaliados separadamente em um espaço multifuncional e todos juntos - por meio de meta-avaliações, ou de outra forma - por meio de avaliações integrais. Um não interfere no outro. Todos os estágios do MO exigem avaliações e, para isso, há muitos indicadores especiais, cuja maximização é a essência da otimização.

 
Aleksey Nikolayev #:

1) No MO, a função de adequação é usada para treinar o modelo(seleção de parâmetros) por meio da otimização. Umaou mais métricas são usadas para avaliar o modelo resultante. Muitas vezes, a métrica NÃO corresponde à função de adequação. Do ponto de vista matemático, isso significa que o MO está resolvendo um problema de otimização MULTICRITERIAL em vez de um problema usual de critério único.

2) Outra diferença significativa em relação à otimização convencional é a ausência frequente de um conjunto fixo de parâmetros de otimização. Mesmo em uma árvore regular, esse já é o caso. Do ponto de vista matemático, isso leva a um problema de otimização no ESPAÇO FUNCIONAL, em vez do problema usual no espaço numérico.

Esses dois pontos tornam os problemas de MO irredutíveis à otimização convencional.

1)

Qual é a contradição?

seleção de parâmetros == pesquisa de parâmetros no algoritmo de otimização

estimativa da métrica do modelo == FF com estimativa de akurasi, por exemplo.

Do que você discorda aqui?


2)

Você pode explicar melhor o que considera ser o problema? Por exemplo, eu não vejo

 
fxsaber #:

Obrigado pela explicação detalhada. Ainda havia algum contexto para a criação do tópico FF. Aqui está ele.

Eu vi sua pergunta, mas não posso dizer nada inteligível sobre ela.

E não sou um tradutor muito bom do idioma do Maxim)

 
Andrey Dik #:

Sim, estamos falando de trabalho simultâneo de componentes individuais em espaços multifuncionais. Ambos os componentes podem ser avaliados separadamente em um espaço multifuncional e todos juntos - por meta-avaliações ou, de outra forma, por avaliações integrais. Um não interfere no outro. Todos os estágios do MO exigem avaliações e, para isso, há muitos indicadores especiais, cuja maximização é a essência da otimização.

Forneça referências, se não for difícil (artigos, livros).
 
Aleksey Nikolayev #:

Vi sua pergunta, mas não posso dizer nada inteligível sobre ela.

E eu não sou um bom tradutor do idioma do Maxim).

Não se trata de tradução.

Fórum sobre negociação, sistemas de negociação automatizados e teste de estratégias de negociação

Aprendizado de máquina na negociação: teoria, modelos, prática e algo-trading

fxsaber, 2024.01.10 19:43

Vamos supor que foram realizadas 100 etapas - temos 100 conjuntos de entradas. Se formarmos o conjunto médio de acordo com o princípio"cada entrada é igual à média dos 100 conjuntos de entrada correspondentes", é improvável que esse conjunto passe bem por todo o intervalo inicial.

É claro que uma centena de conjuntos depende do FF.

 
Aleksey Nikolayev #:
Forneça referências, se não for difícil (artigos, livros).

Eu mantive várias centenas de livros sobre redes neurais, MO, otimização e matemática em um arquivo. Forneci um link para o arquivo. O arquivo ficou disponível para todos na nuvem por vários anos. No momento, não dou suporte a esse arquivo, a nuvem com o arquivo não existe mais.

A.P. Karpenko tem muitos livros sobre esses tópicos, bons livros são de Simon D.