Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2564
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
Das habe ich geschrieben - mit dem Ziel, ein konsistentes Muster zu identifizieren, das einen statistischen Vorteil an einem bestimmten Standort bietet. Und wir quantifizieren die Prädiktoren - jeden Prädiktor.
Aber "wie" man das macht, ist eine offene Frage - bisher nur durch Aufzählung von vorbereiteten Tabellen, die auf empirischen Annahmen oder statistischer Partitionierung des CatBoost-Algorithmus beruhen.
In Abbildung 3 "Quanten" wird wahrscheinlich der mittlere Bereich gewählt, in dem ein gewisser statistischer Vorteil besteht.
Meines Wissens gibt es ein Problem mit der Kollinearität (Korrelation) fast aller Prädiktoren. Es gibt auch ein kombinatorisches Problem - wenn es viele Prädiktoren gibt, dann gibt es möglicherweise zu viele Quanten. Wahrscheinlich lohnt es sich, die Dimensionalität zunächst durch PCA oder PLS zu verringern.
Hat jemand versucht, das Montichol-Paradoxon auf den Handel/die Entscheidungsfindung anzuwenden?
Das ganze Paradoxon besteht darin, dass das Problem nicht vollständig mathematisch formalisiert ist. Die Antwort hängt davon ab, wie die vollständige Formalisierung durchgeführt wird.
Im Sinne von Nützlichkeit - außer als lehrreiches Beispiel dafür, dass es für ein und dasselbe reale Phänomen verschiedene mathematische Modelle geben kann, die unterschiedliche Antworten geben.
Nach meinem Verständnis gibt es ein Problem mit der Kollinearität (Korrelation) fast aller Prädiktoren. Es gibt auch ein kombinatorisches Problem - wenn es viele Prädiktoren gibt, dann gibt es möglicherweise zu viele Quanten. Es kann sich lohnen, die Dimensionalität zunächst durch PCA oder PLS zu verringern.
Ich habe oben geschrieben, dass ich Prädiktoren ausschließe, die in der Stichprobe ein ähnliches Signal haben, d. h. die Korrelation zwischen den Quantilprädiktoren nimmt ab, obwohl ich meine Methode der Gruppierung und Auswahl des besten Ergebnisses aus einer Gruppe ähnlicher Prädiktoren anwende.
Was das kombinatorische Problem betrifft - wo genau sehen Sie es? In der Ausbildungsprobe? Wenn ja, dann ist es theoretisch möglich, und wahrscheinlich ist es sinnvoll, hier PCA anzuwenden, aber nicht bevor die endgültige Stichprobe fertig ist. Ich bin noch nicht auf ein solches Problem gestoßen; im Gegenteil, es gibt weniger Prädiktoren als in der ursprünglichen Stichprobe.
Das Paradoxe daran ist, dass das Problem nicht vollständig mathematisch formalisiert ist. Die Antwort ist unterschiedlich, je nachdem, wie die vollständige Formalisierung durchgeführt wird.
Im Sinne von Nützlichkeit - außer als lehrreiches Beispiel dafür, dass es für ein reales Phänomen verschiedene mathematische Modelle geben kann, die unterschiedliche Antworten geben.
Wie das?
Hier ist ein Artikel mit dem Code
Es gibt auch eine Million anderer Erkenntnisse
Alles mathematisch formalisiert, oder verstehe ich den Punkt nicht?
Wie war das?
Hier ist ein Artikel mit dem Code
es gibt auch eine Million anderer Implementierungen
Alles ist mathematisch formalisiert, oder sehe ich das falsch?
Es ist wie bei der Aufgabe mit 2 Kolben, die Bedingungen sind unvollständig und man kann die restlichen Bedingungen erraten und erhält die Antwort.
Wie war das?
Hier ist ein Artikel mit dem Code
es gibt auch eine Million anderer Implementierungen
Alles ist mathematisch formalisiert, oder sehe ich das falsch?
Im Wiki steht, dass die ursprüngliche Formulierung falsch ist, und es wird nicht ganz klar gesagt, dass sie auf verschiedene Weise korrigiert werden kann. Der Kern des Paradoxons besteht gerade darin, dass die Intuition die anfängliche Zurückhaltung bei verschiedenen Menschen auf unterschiedliche Weise ausfüllt. Ein rein psychologischer Effekt.
Es ist wie bei dem Problem mit den zwei Kolben, die Bedingungen sind unvollständig, die Antwort wird so ausfallen, wie Sie sich den Rest der Bedingungen vorstellen.
Ich verstehe es nicht, aber schreiben wir es meinem Analphabetismus zu...
Worum geht es also bei diesem Scheiß kurz und bündig?
Ich habe Ihren Beitrag gelesen, diesen Herst gebaut und was damit zu tun?
Ich habe oben geschrieben, dass ich Prädiktoren ausschließe, die ein ähnliches Signal in der Stichprobe haben, d.h. die Korrelation zwischen Quantilprädiktoren wird reduziert, obwohl ich meine Methode der Gruppierung und Auswahl des besten Ergebnisses aus einer Gruppe ähnlicher Prädiktoren verwende.
Was das kombinatorische Problem betrifft - wo genau sehen Sie es? In der Ausbildungsprobe? Wenn ja, dann ist es theoretisch möglich, und wahrscheinlich ist es sinnvoll, hier PCA anzuwenden, aber nicht bevor die endgültige Stichprobe fertig ist. In der Realität bin ich nicht auf ein solches Problem gestoßen - im Gegenteil, es gibt weniger Prädiktoren als in der ursprünglichen Stichprobe.
Nun, wenn wir jeden Prädiktor in zwei Teile aufteilen und nach allen möglichen Regeln suchen, bei denen eine Hälfte jedes Prädiktors enthalten ist, dann werden die verschiedenen Teile 2^N sein, wobei N die Anzahl der Prädiktoren ist. Nun kann jedes dieser Stücke entweder genommen oder verworfen werden - wir erhalten 2^(2^N) Varianten. Dies ist selbst bei einem kleinen N eine riesige Zahl.
Nun, wenn wir jeden Prädiktor in nur zwei Teile aufteilen und alle möglichen Regeln betrachten, die eine Hälfte jedes Prädiktors enthalten, dann gibt es 2^N verschiedene Teile, wobei N die Anzahl der Prädiktoren ist. Nun kann jedes dieser Stücke entweder genommen oder verworfen werden - wir erhalten 2^(2^N) Varianten. Dies ist selbst bei einem kleinen N eine große Zahl.
Erst verwerfen und dann kombinieren.