Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3131
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
¿Puedes enseñarme algo así?
Si es tan común.
¡Por fin!
Bueno, por algo se empieza.
¿Y ahora qué?
¿Qué tiene de difícil? Saltar entre escalas es algo que ya hemos hecho antes, aquí no hay secretos. Busco cosas más complicadas, y una imagen con un solo trato no revela en absoluto la esencia de toda la imagen.
Ya veo.
No es difícil escribir cartas.
Entiendo.
No es difícil de deletrear, por supuesto.
¿Has visto mi trabajo como freelance? ))))
¿Has visto mi trabajo como autónomo? ))))
¿Qué metodología se puede utilizar para evaluar la calidad de las ofertas al ver un perfil de freelance?
La aleatorización elimina el sesgo entre la prueba y el control, tras lo cual se calcula el impacto del predictor
Si el sesgo no se elimina de antemano, será asociativo en lugar de causal.
El patrón oro
En la lección anterior vimos por qué y cómo la asociación difiere de la causalidad. También vimos qué se necesita para que una asociación se convierta en una relación causal.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} ATT AJUSTE.
Recordemos que la asociación se convierte en causalidad si no hay sesgo. No habrá sesgo si E[Yo T = 0] = E[Yo T = 1]. En otras palabras, la asociación será causal si los pacientes tratados y de control son iguales o comparables excepto por su tratamiento. O, dicho en términos más técnicos
Arriba está la traducción de la imagen.
Para empezar, no entiendo en qué momento quiere dividir la muestra en dos submuestras.
A continuación, parece que hay una terminología especial, la causalidad es un efecto directo sobre un resultado, quizás ya ni siquiera un patrón probabilístico. Una relación asociativa es un activador de la causa o un rasgo asociado, y suele ser probabilística.
No comprendo la fórmula: ¿enunciar la cuestión en términos humanos?
Pero, el punto de estos métodos (UpLift) es estimar el factor que influyó exclusivamente en el objetivo. Entiendo que se evalúa el grado de influencia. Y, digamos, que en nuestro caso no conocemos tal factor y repasamos todo - obtenemos unas mediciones como salida. ¿Y qué sugiere que hagamos con ellas? ¿Excluir los malos indicadores?
¿Cómo podemos utilizar esto con la deriva gradual de los datos?
No lo excluyo, tal vez se te haya ocurrido algo brillante, pero aún no he captado el hilo del pensamiento.
El patrón oro
En la lección anterior vimos por qué y cómo la asociación difiere de la causalidad. También vimos qué se requiere para que una asociación sea una relación causal.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} ATT AJUSTE.
Recordemos que la asociación se convierte en causalidad si no hay sesgo. No habrá sesgo si E[Yo T = 0] = E[Yo T = 1]. En otras palabras, la asociación será causal si los pacientes tratados y de control son iguales o comparables excepto por su tratamiento. O, dicho en términos más técnicos
Arriba hay una traducción de la imagen.
Para empezar, no entiendo en qué momento quiere dividir la muestra en dos submuestras.
A continuación - al parecer hay una terminología especial aquí, la causalidad es una influencia directa sobre el resultado - tal vez ni siquiera un patrón probabilístico más. Una relación asociativa es un activador de la causa o un rasgo asociado, y suele tener un significado probabilístico.
No entiendo la fórmula, ¿puede resumirla en términos humanos?
Pero, el sentido de estos métodos (UpLift) es estimar el factor que influyó exclusivamente en el objetivo. Entiendo que se evalúa el grado de influencia. Y, digamos, que en nuestro caso no conocemos tal factor y lo repasamos todo - obtenemos unas mediciones como salida. ¿Y qué sugiere que hagamos con ellas? ¿Excluir los malos indicadores?
¿Cómo utilizarlo en caso de deriva gradual de los datos?
No excluyo, tal vez se te ha ocurrido algo ingenioso, pero aún no he captado el hilo del pensamiento.
puedes pedirle a chatgpt que te descifre la fórmula si no entiendes alguno de los símbolos.
Y|T = 1 resultados del grupo de prueba (con tritment)
Y|T = 0 - grupo de control (sin)
Y - etiqueta de clase, Y0,Y1 - etiquetas de clase sin y con el tritment.
T - tritment introducido en el modelo (incluido el predictor) o no introducido (1;0)
E - expectativa
Dividir en cualquier punto al dividir por test y traine
Si no se hace la mezcla, se obtiene una estimación sesgada de ATE+bias
ATE es el efecto medio del tratamiento de la exposición
Sleepy, puede que confunda las letras en algunos puntos, pero la lógica debería estar clara.
por cierto, el bardo de google me gusta más que gpt. Puede googlear y es gratis.
pero solo soporta ingles y vpn en EEUU o Inglaterra, no funciona en otros paises.
Y básicamente, quienes son openAI y quienes son los Googles. Probablemente diferentes categorías de peso.por cierto, el bardo de google me gusta más que gpt. Puede googlear y es gratis.
pero solo soporta ingles y vpn en EEUU o Inglaterra, no funciona en otros paises.
Y básicamente, quienes son openAI y quienes son los Googles. Probablemente diferentes categorías de peso.Sólo una observación: si introduces algo que describa un gráfico de precios sin estar atado a una cronología temporal estricta, los resultados parecen ser más vivos o algo así. Es decir, si se introducen los precios N+1, N+2, N+3.... entonces obtenemos una especie de disparate, un perfecto caos 50/50 en toda su manifestación.
Y si introducimos en la entrada algo como N+1, N+6 , N+17... construido según algunas reglas específicas (por ejemplo, un patrón gráfico), los resultados parecen dar señales de vida, como si el paciente estuviera vivo pero en coma.
El siguiente punto: el objetivo. Si se describe como "próxima vela es tal y tal, comer red neuronal y actualizar pesos", entonces de nuevo - la salida está llena de aleatoriedad. Si se describe el futuro independiente de la misma cronología y poner marcas de acuerdo con alguna regla como "me gusta el gráfico a continuación, hay +1 sin ambigüedades, comer la red neuronal y actualizar sus pesos".
Si se combinan ambos métodos, variable timeframe como entrada y variable timeframe como objetivo, los resultados a veces empezar por un tiempo (el paciente está en coma, pero está moviendo el brazo). Por ejemplo, si se entrena con datos de 2021, casi todo 2022 puede estar en +, y con un marco temporal estricto de entrada/objetivo, el parloteo es aleatorio. Pero, el mismo 2020 no se presta, después de que 2021 es caótico. Resulta que los datos variables captan algunos patrones de trabajo y pueden comerciar con ellos, y la cronología estricta rompe el avance de golpe.
Leí el artículo, antiguo como un mamut, sigue vivo en el dominio people.ru, donde un tipo escribe que si se toma el incremento de la cronología estricta y de alguna manera compararlo con el pasado, la correlación es 0. Pero si se toman los datos que describen el gráfico de precios sin estricta vinculación a la orden, la correlación con el pasado llega a 0,8. Llega a la conclusión de que la fijación de precios dentro de una vela es aleatoria y no se puede predecir. La fijación de precios durante un periodo de tiempo indefinido es predecible.