Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3074
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Formulieren Sie Ihre Frage noch einmal.
Wenn Sie mit echten Devisen gehandelt haben, weiten sie dort nicht nachts um 1 Uhr die Spreads aus? Genau wie in normalen Küchen.
.
Ja, die M5)
Ich wiederhole es jetzt) Gut, dass ich enidesk und Zugang zu meinem Arbeitscomputer habe))))
270 Dollar. und beste sl 11500, insgesamt 5200 sl und 350 tp ist etwa das gleiche Ergebnis.
Vielleicht ist der Spread groß. Ich habe mehr Gewinn, insgesamt die Kurve ist die gleiche. Ein bisschen eine grobe Lernkurve in den letzten paar Jahren, ja. Aber die vorherigen sind besser.
Auf dem Markt ändert sich dieses Optimum ständig - wie das Terrain des Planeten nach einem Erdbeben.... und so ist es unsere Aufgabe, vorherzusagen, wann es passieren wird, oder danach, aber vor allem den Moment, in dem es notwendig ist, nach einem neuen Optimum zu suchen....
Papier zum Vergleich verschiedener Methoden. Zusätzlich zu den Videos und dem Buch. Es enthält viele Verweise auf andere Arbeiten.
.
Aus diesem Bild.
Für MO sind sequenzielle Stichproben nicht akzeptabel - nur Zufallsstichproben, und nicht nur zufällig.
Von diesem Bild.
Für MO sind sequenzielle Stichproben nicht akzeptabel - nur Zufallsstichproben, und nicht nur Zufallsstichproben.
Papier zum Vergleich verschiedener Methoden. Zusätzlich zu den Videos und dem Buch. Es enthält viele Verweise auf andere Arbeiten.
.
Wunderbarer Artikel!
So wie ich die Anwendungen verstanden habe, hängt das Ergebnis der Klassifizierung nicht nur von der Qualität der ursprünglichen Daten ab, sondern auch davon, wie wir die Trainings- und Auswertungsmenge bilden. Und von etwas anderem, das ich noch nicht verstanden habe.
Ein wunderbarer Artikel!
So wie ich die Anwendungen verstanden habe, hängt das Ergebnis der Klassifizierung nicht nur von der Qualität der ursprünglichen Daten ab, sondern auch davon, wie wir die Trainings- und Auswertungsmenge bilden. Und von etwas anderem, das ich noch nicht verstanden habe.
Hehe. Schauen Sie sich vor diesem Video weitere Videos an, vielleicht wird das Bild klarer. Es geht darum, solche Beispiele in den Daten zu finden, sagen wir X mit einem Vektor von Merkmalswerten W, die so gut wie möglich auf das Tritment (in unserem Fall das Training des Modells) reagieren, und sie der Klasse "zu handeln" zuzuordnen, während die anderen besser nicht berührt werden sollten, "nicht zu handeln", weil sie schlecht auf das Training reagieren (bei neuen Daten macht das Modell einen Fehler, wenn es sie in die Tritment-Gruppe aufnimmt). Im Marketing sind dies Beispiele von Nutzern. Eine bestimmte Gruppe von Nutzern wird von einer Werbekampagne beeinflusst, aber andere sind es nicht wert, das Budget für eine Werbekampagne zu verwenden.
Im Zusammenhang mit TC verstehe ich das so.
Hehehe. Schauen Sie sich vorher mehr Videos an, vielleicht wird das Bild klarer. Es geht darum, solche Beispiele in den Daten zu finden, sagen wir X mit einem Vektor von Merkmalswerten W, die möglichst gut auf das Training (in unserem Fall das Training des Modells) reagieren, und sie der Klasse "zu handeln" zuzuordnen, während die anderen besser nicht berührt werden sollten, "nicht zu handeln", weil sie nicht gut auf das Training reagieren (bei neuen Daten macht das Modell einen Fehler, wenn es sie in die Tritment-Gruppe aufnimmt). Im Marketing sind dies Benutzerbeispiele. Wenn eine Stichprobe von Nutzern von einer Werbekampagne betroffen ist, es aber unangebracht ist, das Budget für die Werbekampagne für andere zu verwenden.
Im Zusammenhang mit TC verstehe ich das so.
Ihr Verständnis hat einen hartnäckigen Hauch von Determinismus, während der Artikel die Apotheose des Zufalls ist und sogar auf unausgewogenen Daten beruht. Keine Stichprobenauswahl, sondern das Gegenteil. Wir empfehlen X-learner, das
schätzt zunächst die beiden Antwortfunktionen µ(x, 1) und µ(x, 0). Anschließend werden diese Schätzungen verwendet, um die unbeobachteten individuellen Behandlungseffekte für die Behandelten, ˜ξ 1 i , und die Kontrollgruppe, ˜ξ 0 i , zu unterstellen. Die imputierten Effekte werden wiederum als Pseudo-Ergebnisse verwendet, um die Behandlungseffekte in der behandelten Stichprobe, τ (x, 1), bzw. in der Kontrollstichprobe, τ (x, 0), zu schätzen. Die endgültige CATE-Schätzung τ (x) ist dann ein gewichteter Durchschnitt dieser Behandlungseffektschätzungen, gewichtet mit dem Propensity Score, e(x). Der X-Learner verwendet also zusätzlich die Informationen der Behandelten, um etwas über die Kontrollen zu lernen und umgekehrt, und zwar im Stil einer Kreuzregression, daher der Begriff X in seiner Bezeichnung.
Nichts geht über eine "gute" Auswahl.