Discusión sobre el artículo "Estudiamos la predicción conformal de series temporales financieras"
MetaQuotes:
Artículo muy interesante e informativo. Lo releeré de nuevo e intentaré implementar el enfoque en mi terminal MT5. Gracias al autor.
Artículo publicado Exploring conformal forecasting of financial time series:
Autor: Maxim Dmitrievsky
He utilizado mapeados conformes en hidro-aerodinámica, pero aplicarlo a series temporales financieras es interesante. No estoy de acuerdo con el autor en todo, pero respeto de todos modos.
Hola, creo que has olvidado adjuntar el módulo fixing_lib. El módulo está siendo importado en el archivo mapie_causal.py
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
Artículo publicado Estudiamos la predicción conformal de series temporales financieras:
MAPIE o "Model agnostic prediction interval estimator", es una biblioteca de Python de código abierto diseñada para cuantificar la incertidumbre y gestionar el riesgo en modelos de aprendizaje automático. Permite calcular intervalos de predicción para problemas de regresión, así como conjuntos de predicciones para la clasificación y las series temporales. Esta evaluación de incertidumbre se realiza usando como base un "conjunto de conformación" especial de datos.
Una de las principales ventajas de MAPIE es su naturaleza independiente del modelo, lo cual significa que la biblioteca se puede utilizar con cualquier modelo compatible con la API scikit-learn, incluidos los modelos desarrollados con TensorFlow o PyTorch a través de envoltorios correspondientes. Esta propiedad simplifica enormemente la integración en los procesos analíticos existentes, ya que los traders suelen utilizar una amplia variedad de modelos de aprendizaje automático, desde enfoques estadísticos tradicionales hasta redes neuronales complejas, dependiendo de la clase de activo o la estrategia comercial específica. La capacidad de usar sin problemas modelos probados para incorporar la cuantificación de la incertidumbre reduce significativamente los costos de implementación y acelera la adopción, lo cual resulta particularmente valioso en un entorno financiero dinámico.
La biblioteca forma parte del ecosistema scikit-learn-contrib y se centra en las áreas de predicción conformal e inferencia independiente de la distribución. Implementa algoritmos revisados por pares que son independientes del modelo y del caso de uso, y tienen garantías teóricas con suposiciones mínimas sobre los datos y el modelo. Más allá de la clasificación estándar, MAPIE también es capaz de controlar riesgos para tareas más complejas, como la clasificación de múltiples clases y la segmentación de imágenes en visión artificial, ofreciendo garantías probabilísticas sobre métricas como la recuperación y la precisión.
Autor: dmitrievsky