Diskussion zum Artikel "Scheinkorrelationen in Python"
Sehr interessanter Artikel! Aber es wäre für Händler ohne tiefgreifende statistische Kenntnisse hilfreich gewesen, wenn die grundlegenden Begriffe wie Residuen (Differenz zur Vorhersage), Stationarität (Varianz und Mittelwert sind konstant oder nicht) usw. kurz erklärt worden wären.
Vielen Dank, Carl, Sie haben Recht, ich werde mich beim nächsten Mal kurz und knapp fassen, um den Nutzen zu maximieren.
Es könnte sich um Übersetzungsschwierigkeiten handeln, aber ich möchte das gerne klären. Stationarität wird in dem Artikel für Residuen definiert, d. h. das Delta zwischen den tatsächlichen Bar-Schlusskursen und seiner Vorhersage? Vielleicht habe ich nicht richtig gelesen, aber warum ziehen wir Schlussfolgerungen aus denselben Daten, die trainiert wurden, wäre es nicht logisch, das Modell auf eine verzögerte Stichprobe anzuwenden?
Der Artikel erweckt den Anschein, als seien die Zeitreihen der Notierungen stationär, aber alle Quellen sagen etwas anderes. Ich denke, dass dies ein Fehler in der Wahrnehmung des Materials ist.
Auch die Frage der Genauigkeit des Modells wird nicht behandelt. Ich habe es so verstanden, dass es überhaupt nicht genau ist, und wenn das so ist, können wir dann verschiedene Tests mit einer so starken Variation der Fehler in den Modellantworten anwenden?
Idealerweise wäre es nützlich zu sehen, wie die Prädiktoren durch die eine oder andere Technik ausgeschlossen wurden und dies die Ergebnisse des Regressionsmodells beeinflusst hat.
Meines Erachtens sind mehr Artikel zu diesem Thema erforderlich, die sich tatsächlich auf die Zitate anwenden lassen.
Meines Erachtens sind mehr Artikel zu diesem Thema erforderlich, die sich tatsächlich auf die Zitate anwenden lassen.
Hallo Aleksey, wie du wahrscheinlich schon weißt, gibt es viele verschiedene Möglichkeiten, wie man ein Problem lösen kann. Ich ziehe es vor, die Residuen des Modells an Testdaten zu messen, die es noch nicht gesehen hat. Die akademische Literatur, die ich damals las, legte mir jedoch nahe, dass selbst Trainingsdaten, die das Modell bereits gesehen hat, noch in Ordnung sind.
Und ich war mir nicht bewusst, dass die Art und Weise, wie ich geschrieben habe, den Eindruck erweckt haben könnte, dass Zeitreihen von Marktnotierungen stationär sind. Wir alle wissen, dass sie nicht stationär sind, das wollte ich damit nicht sagen, und ich hätte es wahrscheinlich besser formulieren können.
Die Frage der Modellgenauigkeit ging über meinen Rahmen hinaus, denn falsche Modelle können immer noch hohe Genauigkeitsmetriken erzielen.
Wie Sie wissen, war dies einer der ersten Artikel, die ich für die Gemeinschaft geschrieben habe. Seitdem habe ich dazugelernt, und ich werde die Reihe fortsetzen. Diesmal werde ich klar und deutlich schreiben und vor allem aufzeigen, wie wir dies beim Handel an den Finanzmärkten zu unserem Vorteil nutzen können.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Scheinkorrelationen in Python :
Scheinkorrelationen treten auf, wenn zwei Zeitreihen rein zufällig ein hohes Maß an Korrelation aufweisen, was zu irreführenden Ergebnissen bei der Regressionsanalyse führt. In solchen Fällen sind die Variablen zwar scheinbar miteinander verbunden, aber die Korrelation ist zufällig und das Modell kann unzuverlässig sein.
Bevor man in den Bereich des algorithmischen Handels mit maschinellem Lernen eintaucht, muss man sich vergewissern, ob eine sinnvolle Beziehung zwischen den Modelleingaben und der Variablen besteht, die man vorhersagen möchte. Dieser Artikel veranschaulicht den Nutzen der Anwendung von Einheitswurzeltests auf Modellresiduen, um das Vorhandensein einer solchen Beziehung in unseren Datensätzen zu überprüfen.
Leider ist es möglich, Modelle auf der Grundlage von Datensätzen zu konstruieren, die keinen echten Zusammenhang aufweisen. Bedauerlicherweise können diese Modelle beeindruckend niedrige Fehlermetriken liefern, was ein falsches Gefühl der Kontrolle und übermäßig optimistische Aussichten verstärkt. Diese fehlerhaften Modelle werden gemeinhin als „Scheinkorrelationen“ bezeichnet.
In diesem Artikel wird zunächst ein intuitives Verständnis von Scheinregressionen entwickelt. Anschließend werden wir synthetische Zeitreihendaten erzeugen, um eine Scheinregressionen zu simulieren und ihre charakteristischen Auswirkungen zu beobachten. Anschließend werden wir uns mit Methoden zur Identifizierung von Fehlregressionen befassen und unsere Erkenntnisse zur Validierung eines in Python erstellten maschinellen Lernmodells nutzen. Wenn unser Modell validiert ist, werden wir es in ONNX exportieren und eine Handelsstrategie in MQL5 implementieren.
Autor: Gamuchirai Zororo Ndawana