Diskussion zum Artikel "Untersuchung von Conformal Prediction bei Finanzzeitreihen"
MetaQuotes:
Ein sehr interessanter und informativer Artikel. Ich werde ihn noch einmal durchlesen und versuchen, den Ansatz in meinem MT5-Terminal umzusetzen. Vielen Dank an den Autor.
Der Artikel „Eine Untersuchung zur konformen Prognose von Finanzzeitreihen“ wurde veröffentlicht:
Autor: Maxim Dmitrievsky
Ich habe konforme Abbildungen in der Hydro- und Aerodynamik verwendet, aber die Anwendung auf finanzielle Zeitreihen ist interessant. Ich stimme dem Autor nicht in allen Punkten zu, aber trotzdem Hut ab.
Hallo, ich glaube, du hast vergessen, das Modul „fixing_lib“ beizufügen. Das Modul wird in der Datei „mapie_causal.py“ importiert.
Tolle Arbeit! Vielen Dank für den Beitrag. Ich habe ein paar Anpassungen vorgenommen und jetzt funktioniert es einwandfrei.
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
Neuer Artikel Untersuchung von Conformal Prediction bei Finanzzeitreihen :
MAPIE (Model Agnostic Prediction Interval Estimator) ist eine Open-Source-Python-Bibliothek, die zur Quantifizierung von Unsicherheiten und zum Umgang mit Unsicherheit und zur Risikosteuerung beim Einsatz von ML-Modellen entwickelt wurde. Sie ermöglicht die Berechnung von Vorhersageintervallen für Regressionsprobleme sowie Vorhersagemengen für Klassifikationsaufgaben und Zeitreihenanwendungen. Diese Unsicherheitsbewertung wird auf der Grundlage eines speziellen „Kalibrierungsdatensatzes“ von Daten durchgeführt.
Einer der Hauptvorteile von MAPIE ist seine Modellunabhängigkeit. Das bedeutet, dass die Bibliothek mit jedem Modell verwendet werden kann, das mit der API scikit-learn kompatibel ist, einschließlich Modellen, die mit TensorFlow oder PyTorch entwickelt wurden, sofern entsprechende Wrapper verwendet werden. Diese Eigenschaft vereinfacht die Integration in bestehende Analysepipelines erheblich, da Händler je nach Anlageklasse oder Handelsstrategie häufig eine Vielzahl von Modellen des maschinellen Lernens einsetzen, die von traditionellen statistischen Ansätzen bis zu komplexen neuronalen Netzen reichen. Die Möglichkeit, bewährte Modelle nahtlos zur Einbeziehung von Unsicherheitsquantifizierung zu nutzen, senkt die Implementierungskosten erheblich und beschleunigt die Einführung, was in einem dynamischen Finanzumfeld besonders wertvoll ist.
Die Bibliothek ist Teil des scikit-learn-contrib-Ökosystems und basiert auf konformer Vorhersage und verteilungsunabhängiger Inferenz. Es setzt wissenschaftlich begutachtete Algorithmen um, die modell- und anwendungsunabhängig sind und theoretische Garantien bieten, wobei nur minimale Annahmen hinsichtlich der Daten und des Modells getroffen werden. Über die Standardklassifizierung hinaus ist MAPIE auch in der Lage, bei komplexeren Aufgaben eine Risikokontrolle zu ermöglichen, indem probabilistische Garantien für Metriken wie Recall und Präzision bereitgestellt werden.
Autor: dmitrievsky