Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2834
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
Что предлагается подставить вместо логлосса?
Если это мне вопрос, то прибыль или какой-то разумный её аналог. Прибыль - пусть пока просто сумма всех (close[i] - open[i])*prognos[i], где prognos[i] - прогноз цвета свечи и равен 1 или -1. Возможно, её придётся как-то модифицировать для хорошего поведения градиента и гессиана.
Если это мне вопрос, то прибыль или какой-то разумный её аналог. Прибыль - пусть пока просто сумма всех (close[i] - open[i])*prognos[i], где prognos[i] - прогноз цвета свечи и равен 1 или -1. Возможно, её придётся как-то модифицировать для хорошего поведения градиента и гессиана.
Вот в генетике мы берем переменные и максимизируем по критерию. Здесь так не получится, ибо классификация. Связи между прибылью и метками классов нет. В лучшем случае получится ерунда. Поэтому такие критерии и вынесены в eval_metrics
Нет в жизни счастья)
Нет в жизни счастья)
Даже из названия loss ф-я это ф-я потерь между эталонными значениями и моделью
По сути, из области МО переходим в более общую область оптимизации. Всё же, "заработать как можно больше" - это не совсем то же самое что "быть правым как можно чаще".
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.
Очень красиво и доказательно в смысле обоснования поиска глобального максимума.
Но это на истории.
А если добавить бар справа? Красота сохраниться? Или все рухнет? Рынок НЕстационарен. Вы верите тестеру? Он ведь находит, красота прямо, в цвете...
Вот в генетике мы берем переменные и максимизируем по критерию. Здесь так не получится, ибо классификация. Связи между прибылью и метками классов нет. В лучшем случае получится ерунда. Поэтому такие критерии и вынесены в eval_metrics
Даже из названия loss ф-я это ф-я потерь между эталонными значениями и моделью
есть рукав
качество классификации же можно как то оценивать. соответственно максимизация этой оценки и есть цель оптимизации
Очень красиво и доказательно в смысле обоснования поиска глобального максимума.
Но это на истории.
А если добавить бар справа? Красота сохраниться? Или все рухнет? Рынок НЕстационарен. Вы верите тестеру? Он ведь находит, красота прямо, в цвете...
Не важно, на истории или в будущем. И тестер сам по себе тут ни причем.
Важно свойство алгоритма (алгоритма оптимизации индивидуально или в составе с сеткой) находить глобальный оптимум оценочного критерия. Подчеркиваю - оценочного критерия. Оценочный критерий это не обязательно и/или только прибыль. Это может быть что угодно, к примеру, оценочный критерии работы на OOS чем не критерий (минимазации разницы между сэмпл и оос)? - это на вскидку. Критерии могут быть какими угодно и какой угодно сложности. Важно понимать, что критерий "Прибыль" - очень овражная, к тому же дискретная штука, поэтому люди пытаются придумывать более гладкие, более монотонные оценочные критерии, что в целом повышает качество оптимизации самого по себе и обучения нейронки в частности.
Поэтому, возвращаясь к тому что я нарисовал на высокохудожественном рисунке - наглядная иллюстрация того, что в условиях когда неизвестно ни количество ни характеристики локальных экстремумов единственный выход - искать до упора тот, который вообще возможно в условиях ограниченных вычислительных возможностей.
Плато - да, есть такое понятие, но это не относится к оптимизации, это вопрос классификации схожих наборов параметров ко какому то признаку. Искать устойчивое плато - отдельная комплексная задача.