Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2585
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
Полное заблуждение, мне как то аж стыдно за тебя..
Ты сейчас выразил японский стыд за все мировое сообщество ) Есть большой набор кастомных метрик, но основное обучение на минимизацию логлосса. Остановку обучения по кастомным делают. Совпадение основой с кастомными большое, нет смысла выёживаться. Учись, студент
учусь, всю жызнь студент
учусь, всю жызнь студент
Логлосс показывает кол-во взаимной информации между признаками и целевой, насколько я понимаю. Это наиболее объективная ф-я, без описания вида зависимости. Модель обучается на минимизацию потерь такой информации, особенно бустинг так работает.
пример..
Есть датафрейм признаков "Х"
Есть модель "М"
Есть 5 временных рядов "тс5"
Задача -
модель "М" принимает на вход "Х" (все как обычно)
а на выходе "М" выдает два вектора которые должны быть
1) максимально стацонарны
2) максимально не коррелировать с всеми "тс5"
Те таргета в обычном виде нету, есть требования к выходам модели..
Мы не прогнозируем цену, зз, ретурны ипр, это вообще другая песня
Как такое вы будете решать своим бустом из коробки ?
пример..
Есть датафрейм признаков "Х"
Есть модель "М"
Есть 5 временных рядов "тс5"
Задача -
модель "М" принимает на вход "Х" (все как обычно)
а на выходе "М" выдает два вектора которые должны быть
1) максимально стацонарны
2) максимально не коррелировать с всеми "тс5"
Те таргета в обычном виде нету, есть требования к выходам модели..
Мы не прогнозируем цену, зз, ретурны ипр, это вообще другая песня
Как такое вы будете решать своим бустом из коробки ?
Перебором целевых, задача же обратная
1) те обучать миллионы раз модель и смотреть что будет?
Да, ну целевые брать с потолка, либо ф-ю. Ты же делаешь обучение задом наперёд, насколько понял из описания. В чем его преимущество перед классическим, на этот вопрос бы найти ответ
))))
все я сливаюсь)
))))
все я сливаюсь)
Логлосс показывает кол-во взаимной информации между признаками и целевой, насколько я понимаю. Это наиболее объективная ф-я, без описания формы зависимости. Модель обучается на минимизацию потерь такой информации, особенно бустинг так работает. Что ты туда поверх кастомного добавишь - так и остановится при обучении
Вроде логлосс выводится на основе принципа максимума правдоподобия для биномиального распределения. В матстате принцип максимума правдоподобия расширяется и обобщается в виде М-оценок, что может быть некоторым теоретическим обоснованием для экспериментов (но не гарантией их успеха, конечно).