Discusión sobre el artículo "Superando las limitaciones del aprendizaje automático (Parte 4): Cómo superar el error irreducible mediante múltiples horizontes de previsión"

[MetaQuotes]

Artículo publicado Superando las limitaciones del aprendizaje automático (Parte 4): Cómo superar el error irreducible mediante múltiples horizontes de previsión:

El aprendizaje automático suele abordarse desde el punto de vista de la estadística o del álgebra lineal, pero, en este artículo, haremos hincapié en una perspectiva geométrica de las predicciones de los modelos. Así, demostraremos que los modelos no se aproximan realmente a la variable objetivo, sino que la representan en un nuevo sistema de coordenadas, lo que genera una desalineación inherente que da lugar a un error irreducible. El artículo sostiene que las predicciones a varios pasos, en las que se comparan las previsiones del modelo en distintos horizontes temporales, constituyen un enfoque más eficaz que las comparaciones directas con la variable objetivo. Aplicando este método a un modelo de negociación, el artículo demuestra que se consiguen mejoras significativas en la rentabilidad y la precisión sin modificar el modelo subyacente.

En nuestra serie relacionada sobre asesores expertos autooptimizantes, analizamos cómo se podían construir modelos de regresión lineal mediante la factorización de matrices, presentamos la biblioteca OpenBLAS y explicamos la descomposición en valores singulares (SVD). Los lectores que no estén familiarizados con esa explicación deberían consultarla, ya que este artículo parte de esa base; el enlace está disponible aquí.

Para quienes ya hayan leído esa explicación, recordemos que la SVD factoriza una matriz en tres matrices más pequeñas: U, S y VT. Cada una de ellas tiene propiedades geométricas especiales. U y VT son matrices ortogonales, lo que significa que representan rotaciones o reflexiones de los datos originales y, lo que es crucial, no modifican la longitud de los vectores, sino que solo cambian su dirección. S, la matriz central, es diagonal y escala los valores de los datos.

En conjunto, la SVD puede entenderse como una secuencia de rotación, escalado y rotación aplicada a los datos. Así es como los modelos de regresión lineal incorporan imágenes de la variable objetivo al espacio de las entradas. Por lo tanto, si reducimos la regresión lineal a su esencia geométrica, se trata simplemente de girar, escalar y volver a girar. Nada más. Y ya está. Girar, escalar, girar. Estudiar geometría le enseñará a verlo de esta manera, pero una vez que lo haga, surgirá una pregunta provocadora: ¿dónde tiene lugar realmente todo ese «aprendizaje»?

Autor: Gamuchirai Zororo Ndawana

[Ilia Panov]

No se encuentra
EURUSD MFH LR D1.onnx