Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3128

 
Maxim Dmitrievsky #:

Significa que el mazo se barajó mal

sesgo - compensación de varianza

Esa es la cuestión, no puedes barajar el mazo si hay deriva de datos. Necesitas predecirla, y posiblemente generar señales teniéndola en cuenta, si tiene un vector pronunciado y no sólo una fluctuación en el rango.

Aquí descubrí un algoritmo interesante "Isolation Forest", que teóricamente puede capturar anomalías / valores atípicos en la muestra para el entrenamiento y en nuevos datos.

En teoría, puede utilizarse para filtrar la muestra original e ignorar las señales cuando lleguen nuevos datos, si van a ser muy diferentes de aquellos sobre los que se realizó el entrenamiento.

¿Quieres que trabajemos juntos para averiguarlo?

Puedes leer más, por ejemplo, aquí.

Примечания к машинному обучению Python алгоритм обнаружения аномальных точек - Isolation Forest - Русские Блоги
  • russianblogs.com
Примечания к машинному обучению Python алгоритм обнаружения аномальных точек - Isolation Forest, Русские Блоги, лучший сайт для обмена техническими статьями программиста.
 
Aleksey Vyazmikin #:

La cuestión es que no se puede barajar el mazo si hay deriva de datos. Es necesario predecirla, y posiblemente generar señales teniéndola en cuenta, bueno, si tiene un vector pronunciado, y no sólo una fluctuación en el rango.

Aquí descubrí un interesante algoritmo "Isolation Forest", que teóricamente puede fijar anomalías/outliers en la muestra para el entrenamiento y sobre nuevos datos.

En teoría, se puede utilizar para filtrar la muestra original e ignorar las señales cuando llegan nuevos datos, si son muy diferentes de aquellos sobre los que se realizó el entrenamiento.

¿Quieres que trabajemos juntos para resolver este problema?

Puedes leer más, por ejemplo, aquí.

En la fase de determinación del sesgo dada su variabilidad, necesitamos barajar. Para ello, se realiza el ajuste cruzado (análogo de la estabilidad según Sanych). La variabilidad de este sesgo puede no ser lineal en absoluto, por lo que este problema no puede resolverse mediante simples inferencias. He aprendido a resolverlo parcialmente, pero siempre quiero una solución mejor.

También miró en la dirección de las anomalías, pero hasta ahora kozul es más interesante.
 
Maxim Dmitrievsky #:
Banear a estos pacientes ya, de una vez )
Están convirtiendo el foro en un vertedero.

Si yo lo he convertido en un basurero en dos posts, entonces tú has creado un enorme basurero en el que tú mandas.

Entonces entremos en materia.

¿En qué plazo crees que el MdD es capaz de hacer previsiones de calidad?

 
Maxim Dmitrievsky #:
En la fase de definición del sesgo con respecto a su variabilidad, hay que barajar. Para ello, se realiza el ajuste cruzado (análogo de la estabilidad según Sanych). La variabilidad de este sesgo puede no ser lineal en absoluto, por lo que este problema no puede resolverse mediante simples inferencias. He aprendido a resolverlo parcialmente, pero siempre quiero hacerlo mejor.

Sin detectar la causa, no es productivo utilizar diferentes métodos populares. Por lo tanto, me gustaría medir la variabilidad de los datos no mediante modelos, sino mediante predictores individuales con una comprensión de la causa del cambio.

 
Maxim Dmitrievsky #:
Cierra el pico.

Me doy cuenta de que tienes un problema con la capacidad de predicción, pero entonces ¿qué estás enseñando a la gente sobre MO?

Digamos que en la industria del automóvil hay caminos en los que MO y hardware pueden confiar, y en los mercados detrás de 0 bar hay un camino claro hacia todos los lados del horizonte.

Si TÚ crees que estrechar o ensanchar la sección de cola de perro te dará ventaja. En absoluto.

 
Aleksey Vyazmikin #:

Sin detectar la causa, no es productivo utilizar diversos métodos populares. Por eso me gustaría medir la variabilidad de los datos no por modelos, sino por predictores individuales entendiendo la causa del cambio.

Podemos medir cada predictor individual de esta manera. La imaginación no tiene límites. Es sólo matstat y MO, se obtiene lo que se aplica.

Prueba con anomalías, es más fácil. No voy a explicar más sobre kozul a los que no han leído nada.
 
Aleksey Vyazmikin #:

Sin detectar la causa, no es productivo utilizar diversos métodos populares. Por lo tanto, nos gustaría medir la variabilidad de los datos no por modelos, sino por predictores individuales con la comprensión de la causa del cambio.

Es importante utilizar correctamente el detector. Esta es la base del movimiento.

P.s.

Diferentes factores pueden servir como detector, no necesariamente de carácter técnico, sino también en combinación con FA, noticias, rumores, etc.

Si le interesa, le daré una pista en el momento oportuno, por supuesto, de forma gratuita)))).

 

Si un usuario no está de acuerdo con alguna teoría que se esté discutiendo (o con el tema/especificidades de un hilo), y si ese desacuerdo es por más de uno/tres mensajes, entonces recomiendo encarecidamente hacer lo siguiente:

  • Crea tu propio hilo.
  • En el primer mensaje del hilo - esbozar las reglas del hilo (lo que se discute, y lo que no, y cómo se discute, y así sucesivamente).
  • Si todo está bien - los moderadores supervisarán la rama de acuerdo con las reglas de la rama.

Entiendo que hacer algunos posts en un hilo muy popular y promocionado es más fácil que crear uno propio desde cero y hacerlo popular.
Pero esta es la única manera de desarrollar diferentes aspectos aquí sin "tocarse".
--------------------

Para más información.

 
Maxim Dmitrievsky #:
Puedes medir a cada individuo así. No hay límite a su imaginación. Es sólo matstat y MO, así que usted consigue lo que usted consigue.

Prueba con anomalías, es más fácil. No voy a explicar más sobre kozul a los que no han leído nada.

Creo que no te corresponde a ti darme consejos.

 
Aleksey Vyazmikin #:

No creo que te corresponda a ti darme consejos.

Hay un parque así en youtube, cuando primero le preguntan a un transeúnte cómo ir a McDonald's, y luego le piden que no les diga qué hacer.

Se compara un modelo entrenado con y sin el rasgo. La diferencia se define como el ATE. Hay que barajar la baraja para eliminar el sesgo de puntuación. Suena a mantra si no se lee la teoría.
Razón de la queja: