Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2833
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Было бы интересно в исследовательских целях (хоть это и весьма сложно) сделать через кастомную функцию потерь. Возможность для этого есть (если кинуло в начало страницы, то нужно найти в самом низу раздел User-defined loss function).
Было бы интересно в исследовательских целях (хоть это и весьма сложно) сделать через кастомную функцию потерь. Возможность для этого есть (если кинуло в начало страницы, то нужно найти в самом низу раздел User-defined loss function).
У меня с xgboost'ом не получилось...
Да, в этом вся сложность. Нужно посчитать градиент и матрицу вторых производных - гессиан. Ещё гессиан наверняка должен быть положительно определённым.
Для прибыли, например, гессиан вырождается вроде (равен нулю). Надо как-то изощряться, подкручивая функцию потерь до разумного компромисса между потребностью и необходимостью.
1. На счет фамилии учту. Вы единственный знакомый с такой фамилией.
2. Хотелось бы возразить, что не надо доводить мысль до абсурда, но в реальности дело так и обстоит: не нужны любые оптимумы - нужны плато, чем обширнее, тем лучше, чем прибыльнее, тем лучше. А экстремум - это всегда неустойчивое состояние, а нужно устойчивое состояние, причем в будущем. Поэтому получается, что поиск оптимумов - это вредное занятие.
Я тут проталкиваю мысль, что устойчивость прибыли в будущем зависит от свойств предикторов и крайне мало зависит от модели, а тем более от алгоритмов оптимизации. То есть совершенно другой подход.
Я тут проталкиваю мысль, что устойчивость прибыли в будущем зависит от свойств предикторов и крайне мало зависит от модели, а тем более от алгоритмов оптимизации. То есть совершенно другой подход.
Можете прислать свою выборку? У нас одинаковое виденье проблемы плохого обучения моделей, хочется сравнить на сколько Ваш метод отбора лучше моего, и вообще подходит ли под Вашу выборку.
Да, в этом вся сложность. Нужно посчитать градиент и матрицу вторых производных - гессиан. Ещё гессиан наверняка должен быть положительно определённым.
Для прибыли, например, гессиан вырождается вроде (равен нулю). Надо как-то изощряться, подкручивая функцию потерь до разумного компромисса между потребностью и необходимостью.
вот тут как я понял гессиан вообще не учитываеться
работает просто на уменьшение градиента
А тут уже по другому
Помню намучился я с этим, так и забросил
Но было бы круто тренировать свои фитки))но в реальности дело так и обстоит: не нужны любые оптимумы - нужны плато, чем обширнее, тем лучше, чем прибыльнее, тем лучше. А экстремум - это всегда неустойчивое состояние, а
А функция которая оценивает "на сколько плато/на сколько не плато" это не поиск максимума ?
А функция которая оценивает "чем прибыльнее тем лучше" - это не поиск максимума ?
А функция которая оценивает " чем обширнее, тем лучше " - это не поиск максимума ?
А функция по оценке "устойчивое/не устойчивое состояние" - это не поиск максимума ?
Или тебе там тоже плато надо? )))) ну тогда смотри пункт первый ))))
ОХ уж эти профаны...
Я тут проталкиваю мысль, что устойчивость прибыли в будущем зависит от свойств предикторов и крайне мало зависит от модели, а тем более от алгоритмов оптимизации. То есть совершенно другой подход.
Мысль надо не проталкивать, а доказывать или хотябы обосновывать...
Тут был один, проталкивал мысль что машка это самое лучшее что может быть, и толку с этих проталкиваний??????
1. На счет фамилии учту. Вы единственный знакомый с такой фамилией.
2. Хотелось бы возразить, что не надо доводить мысль до абсурда, но в реальности дело так и обстоит: не нужны любые оптимумы - нужны плато, чем обширнее, тем лучше, чем прибыльнее, тем лучше. А экстремум - это всегда неустойчивое состояние, а нужно устойчивое состояние, причем в будущем. Поэтому получается, что поиск оптимумов - это вредное занятие.
Я тут проталкиваю мысль, что устойчивость прибыли в будущем зависит от свойств предикторов и крайне мало зависит от модели, а тем более от алгоритмов оптимизации. То есть совершенно другой подход.
1. v
2. вот рисунок, типа кривая какой то гипотетической функции обучения
вас устроит, что сетка остановится на локальном экстремуме 1? а может быть 2? или какой, 3, типа посередине? так не известно заранее сколько их там локальных экстремумов, их может быть 100500 а может и больше. Поэтому важно стремление найти наивысший из всех локальных, до которых алгоритм в состоянии добраться.