Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2584
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
Согласен.
Стандартные классификация и регрессия что-то не очень подходит для ВР.
Хочется для начала научиться строить любые нужные и правильные функции потерь - чтобы было больше похоже, например, на максимизацию прибыли, и чтобы алгоритмы обучения работали нормально с этими функциями. Видимо придётся вникать в самые основы даже в случае самой простой линейной регрессии.
Хочется для начала научиться строить любые нужные и правильные функции потерь - чтобы было больше похоже, например, на максимизацию прибыли, и чтобы алгоритмы обучения работали нормально с этими функциями.
А чем сама максимизация не подходит?
Могут быть проблемы с плохой обусловленностью, которая зависит от используемых метрик. Может быть проблема с подсчётом градиента и гессиана для бустинга.
Могут быть проблемы с плохой обусловленностью, которая зависит от используемых метрик. Может быть проблема с подсчётом градиента и гессиана для бустинга.
Кастомные метрики используются для выбора моделей, но обучение все равно по стандартным (логлосс для классификации, например). Потому что ваша метрика никак не связана с отношением фича/целевая, а стандартные связаны. И здесь как бы не понятно, отбирать потом модели по Sharpe Ratio или R2, или сразу сделать остановку обучения при их максимизации. Наверное, можно делать и так и эдак.
Всё же, было бы интересно поэкспериментировать с полным отказом от стандартных метрик и заменой их похожими на те, что используются при оптимизации в метатрейдере) Скорее всего, придётся переходить на более низкий уровень и работать непосредственно с оптимизационными пакетами - что-нибудь типа такого.
Не готов утверждать что грааль обеспечен) Но думаю как-нибудь попробовать разобраться в этом.
Всё же, было бы интересно поэкспериментировать с полным отказом от стандартных метрик и заменой их похожими на те, что используются при оптимизации в метатрейдере) Скорее всего, придётся переходить на более низкий уровень и работать непосредственно с оптимизационными пакетами - что-нибудь типа такого.
Не готов утверждать что грааль обеспечен) Но думаю как-нибудь попробовать разобраться в этом.
В случае большого пространства признаков (десятки фичей), как определить заранее какая обусловленность будет лучше?) и какую ф-ю поставить
Наверняка, для стандартных метрик обусловленность всегда лучше - иначе бы они не стали стандартом) Но разве может это помешать заняться изобретением своих велосипедов)
Интересно, но не понятно с чего начать. В лосс должны закладываться какие-то представления о рыночных закономерностях, видимо. Ну, например, можно сделать поправки на волатилтность
Думаю начать совсем с простого - классификации логистической регрессией на два класса (входим/не входим) и с небольшим количеством признаков. Просто чтобы понять почему тема не очень популярна.
Кастомные метрики используются для выбора моделей, но обучение все равно по стандартным (логлосс для классификации, например). Потому что ваша метрика никак не связана с отношением фича/целевая, а стандартные связаны. И здесь как бы не понятно, отбирать потом модели по Sharpe Ratio или R2, или сразу сделать остановку обучения при их максимизации. Наверное, можно делать и так и эдак.
Полное заблуждение, мне как то аж стыдно за тебя..
Всё же, было бы интересно поэкспериментировать с полным отказом от стандартных метрик и заменой их похожими на те, что используются при оптимизации в метатрейдере) Скорее всего, придётся переходить на более низкий уровень и работать непосредственно с оптимизационными пакетами
Это то что я вам уже талдычу с пол года , обучать АМО лучше через ФИТНЕС ФУНКЦИЮ!!