Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3027

 
mytarmailS #:
Те правила это просто  бинарные признаки для модели? 

Верно.

 
Aleksey Vyazmikin #:

Что за "сверки"?

свертки, сверточные ядра

convolutional kernel transform

 
Aleksey Vyazmikin #:

Верно.

Так и надо было говорить сразу... 

А то вместо трех понятных слов, 100 непонятных понятий

Сидиш и думаешь о чем речь вообще идет.. 
 
Maxim Dmitrievsky #:

свертки, сверточные ядра

convolutional kernel transform

Понял. Но чего то в воображении не рисуется, как они с квантованием вообще могут быть связаны, что бы взаимно заменяться. Там скорей история подтягивается ими. Планирую пробовать их попозжей.

 
mytarmailS #:
Так и надо было говорить сразу... 

А то вместо трех понятных слов, 100 непонятных понятий

Сидиш и думаешь о чем речь вообще идет.. 

Даже не знаю, как ещё конкретней можно было написать - думаю, Максим понял.

" В бинарном виде. Столбец - номер правила, а значение "1" - сработало правило и "0" - не сработало правило. Ну а целевая как на основной выборке. "

 
Aleksey Vyazmikin #:

Понял. Но чего то в воображении не рисуется, как они с квантованием вообще могут быть связаны, что бы взаимно заменяться. Там скорей история подтягивается ими. Планирую пробовать их попозжей.

изучайте

https://www.arxiv-vanity.com/papers/1910.13051/

https://www.youtube.com/watch?v=1BRYrnvMhyI


В статье много ссылок на другие state-of-the-art методы классификации временных рядов, способы выделения сигналов и паттернов.

Про неэффективности ничего нет, но это, как говорится, домашняя работа

ROCKET: Exceptionally fast and accurate time series classification using random convolutional kernels
ROCKET: Exceptionally fast and accurate time series classification using random convolutional kernels
  • www.arxiv-vanity.com
Most methods for time series classification that attain state-of-the-art accuracy have high computational complexity, requiring significant training time even for smaller datasets, and are intractable for larger datasets. Additionally, many existing methods focus on a single type of feature such as shape or frequency. Building on the recent...
 
Aleksey Nikolayev #:

Ну, пока не могу понять как внедрить максимизацию прибыли в тот же бустинг, например.

Что-то делаю, разумеется, но хотелось бы услышать и другие содержательные мнения по поводу темы.

как успехи с бустом и максимизацией прибыли?

 
Maxim Dmitrievsky #:

изучайте

https://www.arxiv-vanity.com/papers/1910.13051/

https://www.youtube.com/watch?v=1BRYrnvMhyI


В статье много ссылок на другие state-of-the-art методы классификации временных рядов, способы выделения сигналов и паттернов.

Про неэффективности ничего нет, но это, как говорится, домашняя работа

Да теория создания итак понятна. Тут вопрос в рациональности у меня, и генерации разных вариантов. По плану буду делать генератор и тестер с квантованием для оценки эффективности каждого экземпляра ядра свертки. Попозжей - первоочередная задача - прогноз дрейфа данных в конкретном предикторе. Без решения этой задачи интерес ко всему у меня падает.

 
Aleksey Vyazmikin #:

Да теория создания итак понятна. Тут вопрос в рациональности у меня, и генерации разных вариантов. По плану буду делать генератор и тестер с квантованием для оценки эффективности каждого экземпляра ядра свертки. Попозжей - первоочередная задача - прогноз дрейфа данных в конкретном предикторе. Без решения этой задачи интерес ко всему у меня падает.

“Квантование” выделяет некоторые из свойств фичи, насколько понимаю. Свертка делает то же самое. Получается масло масляное.
 
Maxim Dmitrievsky #:
“Квантование” выделяет некоторые из свойств фичи, насколько понимаю. Свертка делает то же самое. Получается масло масляное.

Свертка на временных рядах агрегирует информацию о прошлых значениях предикторов (при этом можно брать те что попали в выборку и те что не попали), а квантование оценивает успешность этого действия.

Причина обращения: