Diskussion zum Artikel "Die Grenzen des maschinellen Lernens überwinden (Teil 8): Nichtparametrische Strategieauswahl"

[MetaQuotes]

Neuer Artikel Die Grenzen des maschinellen Lernens überwinden (Teil 8): Nichtparametrische Strategieauswahl :

Dieser Artikel zeigt, wie man ein Blackbox-Modell konfiguriert, um automatisch starke Handelsstrategien mit einem datengesteuerten Ansatz zu entdecken. Indem wir die gegenseitige Information nutzen, um die lernfähigsten Signale zu priorisieren, können wir intelligentere und anpassungsfähigere Modelle erstellen, die herkömmliche Methoden übertreffen. Die Leser werden auch lernen, häufige Fallstricke wie den übermäßigen Rückgriff auf oberflächliche Metriken zu vermeiden und stattdessen Strategien zu entwickeln, die auf aussagekräftigen statistischen Erkenntnissen beruhen.

In unserer vorherigen Diskussion über die automatische Strategieauswahl haben wir zwei Ansätze zur Identifizierung von Handelsstrategien aus einer Liste von Kandidaten untersucht. Die erste war eine White-Box-Methode mit Matrixfaktorisierung – einfach, transparent und intuitiv. Heute widmen wir uns dem zweiten Ansatz, der komplexeren Blackbox-Lösung.

Es ist nach wie vor eine große Herausforderung, rentable Strategien zu finden. Dieser Artikel konzentriert sich auf die Verbesserung der Konfiguration und Einrichtung von Blackbox-Modellen. Zuvor haben wir ein statistisches Modell entwickelt, das den erwarteten Gewinn jeder Strategie vorhersagen kann und uns zu potenziell profitablen Strategien führt. Dies ist zwar ein berechtigtes Ziel, aber eine einfachere Alternative wäre es, die Strategie zu ermitteln, die unser Blackbox-Modell am effektivsten erlernen kann – die Auswahl des Ziels, bei dem es „am besten“ abschneidet. Dies stellt jedoch eine große Herausforderung dar.

Der Vergleich der Modellleistung zwischen verschiedenen Regressionszielen ist nicht ganz einfach. Im Gegensatz zu Klassifizierungsaufgaben – bei denen Messgrößen wie Genauigkeit oder Präzision Vergleiche erleichtern – befasst sich die Regression mit realwertigen Zielen wie zukünftigen Erträgen, und gängige Messgrößen wie der RMSE können in die Irre führen. Die Herausforderung besteht darin, dass gängige euklidische Streuungsmetriken skalenabhängig sind, was bedeutet, dass Indikatoren wie Stochastik- und gleitende Durchschnittswerte nicht direkt vergleichbar sind. Abgesehen von diesem Problem bietet das klassische überwachte Lernen hier wenig Anhaltspunkte.

Autor: Gamuchirai Zororo Ndawana