Discusión sobre el artículo "Aprendizaje Automático: Cómo usar las Máquinas de Vectores de Soporte en Trading"

 

Artículo publicado Aprendizaje Automático: Cómo usar las Máquinas de Vectores de Soporte en Trading:

Las máquinas de vectores de soporte se usan desde hace mucho tiempo en campos como la bioinformática y matemáticas aplicadas para estudiar conjuntos de datos complejos y extraer patrones que se pueden usar para clasificar datos. Este artículo examina qué es una máquina de vectores de soporte, cómo funciona y por qué puede resultar muy útil a la hora de extraer patrones complejos. Después investigaremos cómo se puede aplicar al mercado y usar potencialmente para tomar decisiones de trading. Usando la Herramienta de Aprendizaje de Máquina de Vectores de Soporte, el artículo facilitará ejemplos listos que permitirán a los lectores experimentar con sus propias operaciones de trading.

¿Qué es una máquina de vectores de soporte?

Una máquina de vectores de soporte es un método de aprendizaje automático que intenta tomar datos de entrada y clasificarlos en una de dos categorías. Para que una máquina de vectores de soporte sea efectiva, es necesario usar primero un conjunto de datos de formación de entrada y salida (datos "input" y datos "output") para construir el modelo de máquina de vectores de soporte que se pueda usar para clasificar nuevos datos.

Una máquina de vectores de soporte desarrolla este modelo tomando los datos de formación, dibujándolos en un espacio multidimensional, y después usando regresión para encontrar un hiperplano (una superficie en un espacio dimensional n que separa el espacio en dos semi espacios) que separa de la mejor manera las dos clases de inputs. Una vez que la máquina de vectores de soporte se ha formado, es capaz de estudiar nuevos inputs con respecto al hiperplano separador y clasificarlos en una de las dos categorías.

Una máquina de vectores de soporte es esencialmente una máquina de entrada/salida de datos (input/output). Un usuario podrá introducir unos inputs y, basándose en el modelo desarrollado a través de la formación, devolverá unos outputs. El número de inputs para cualquier máquina de vectores de soporte teóricamente puede ir del uno al infinito, pero en términos prácticos, el poder de computación limita la cantidad de inputs que se pueden usar. Si, por ejemplo, se usan N inputs para una máquina de vectores de soporte concreta (el valor íntegro de N puede variar entre uno e infinito), la máquina de vectores de soporte debe dibujar cada conjunto de inputs en un espacio dimensional N y encontrar un hiperplano dimensional (N-1) que separe de la mejor manera los datos de formación.

Máquina Input/Output

Autor: Josh Readhead

 
Artículo extremadamente didáctico y bien escrito, gracias por compartirlo.
 
 
Me gustaría señalar que el método no funcionará si al menos una de las clases no es coherente, es decir, consta de 2 o más subgrupos no superpuestos. Por ejemplo, si los shnyaki (en realidad, ¡el ordenador no lo sabe antes del análisis!) son de 2 clases: verdosos, que pesan 100 kg y adoran las zanahorias, y arco iris-brillantes, que pesan 30 kg y no toleran las zanahorias pero comen arenques, será bastante problemático trazar un hiperplano entre "shnyaki" y "no shnyaki". Y tal situación en el mercado, e incluso en un caso multidimensional, es bastante típica.
 

alsu:
 Вот я бы все таки отметил, что метод не бует работать, если хотя бы один из классов не связный, то есть состоит из 2 и более непересекающихся подгрупп. Например, если Шняки (на самом деле - компьютер перед анализом этого не знает!) бывают 2 видов - зеленоватые, весом 100 кг и которые любят морковку и радужно-блестящие весом 30 кг, которые морковку не переносят, но зато хавают селедку, то провести гиперплоскость между "шняками" и "не шняками" будет довольно проблематично. А такая ситуация на рынке, да еще и в многомерном случае, типична вполне. 

... Y que puede utilizar este algoritmo para resolver este problema. ¡Muchas gracias por ello, por cierto!

P.D: Lo siento, pero no pude resistir ... :)

1) Ves una criatura con 9 patas (!) y 4 ojos. ¡¡¡Eso no es un glitch!!! ¡Es un SNACK!

2) La frecuencia de apareamiento de los animales es de 14000 Hz (14.000 veces por segundo). 0_o

 
MigVRN:

... Y que puede utilizar este algoritmo para resolver este problema. ¡Muchas gracias por ello, por cierto!

Lo releí - un buen hombre escribe bien, y yo quería usarlo yo mismo))))
 
Artículo interesante. Bien escrito.
 
El problema con 2 especies de Schniaks puede resolverse de la siguiente manera: 1) indicar rasgos comunes a ambas especies, pero que las distingan de otros animales. El resultado del análisis serán ambas especies sin su separación, pero la calidad del reconocimiento será baja 2) además del punto 1, se especifican los rasgos que distinguen a 2 especies de Shnyaks. Como resultado, habrá menos errores en los que no se cumplan estos signos, y más errores con cumplimiento de signos adicionales. El resultado global depende de en qué medida los rasgos adicionales distinguen a los Shnyaks de todo lo demás. 3) Es posible realizar 2 análisis, cada uno destacando un tipo específico de Schniak. Se presupone una alta precisión.
 
Gran artículo, ¡gracias!
 

¡Muy útil para la aplicación de SVM en el comercio!

¡Gran trabajo!

 
¡Genial!