L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2584
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je pense que la personnalisation de la fonction de perte pour répondre aux besoins de nos traders devrait être étudiée plus avant.
A titre d'exemple, voici unarticle sur le sujet.
Pour une perspective plus large ?
Justifiez d'abord le sens d'un point de vue pratique : par exemple, si vous faites ceci, vous obtiendrez cela, cela mènera à cela... etc .
Vous pouvez y taper n'importe quel mot sur le sujet dans Google et la branche sera inondée de liens jusqu'à l'impossible en un clin d'œil.
Je pense que la personnalisation de la fonction de perte pour répondre aux besoins de nos traders devrait être étudiée plus avant.
A titre d'exemple, voici unarticle sur le sujet.
D'accord.
La classification et la régression standard ne sont pas très adaptées à la BP.
D'accord.
La classification et la régression standard ne sont pas très adaptées à la BP.
J'aimerais commencer par apprendre à construire les fonctions de perte souhaitées et correctes - de manière à ce qu'elles soient plus proches, par exemple, de la maximisation du profit, et que les algorithmes d'apprentissage fonctionnent correctement avec ces fonctions. Apparemment, nous devrons revoir les principes de base, même dans le cas de la régression linéaire la plus simple.
J'aimerais commencer par apprendre à construire les fonctions de perte souhaitées et correctes - pour qu'elles ressemblent davantage, par exemple, à la maximisation du profit, et pour que les algorithmes d'apprentissage fonctionnent bien avec ces fonctions.
Quel est le problème avec la maximisation elle-même ?
Il pourrait y avoir un problème de mauvaise conditionnalité, qui dépend des mesures utilisées. Il peut y avoir un problème avec le calcul du gradient et du hessian pour le boosting.
Il peut y avoir des problèmes de mauvaise conditionnalité, ce qui dépend de la métrique utilisée. Il peut y avoir un problème avec le calcul du gradient et du hessian pour le boosting.
Des métriques personnalisées sont utilisées pour sélectionner les modèles, mais l'apprentissage se fait toujours par des métriques standard (logloss pour la classification, par exemple). Parce que vos mesures ne sont pas liées à la relation caractéristique/cible, alors que les mesures standard le sont. Et ici, il n'est pas clair s'il faut ensuite sélectionner les modèles par le ratio de Sharpe ou R2, ou arrêter immédiatement l'apprentissage lorsqu'ils sont maximisés. On peut probablement faire les deux.
Cependant, il serait intéressant d'expérimenter l'abandon des métriques standard et de les remplacer par des métriques similaires à celles utilisées dans l'optimisation de metatrader). Il est fort probable que je doive descendre et travailler directement avec les paquets d'optimisation - quelque chose comme ça.
Je ne suis pas prêt à prétendre que le graal est fourni) Mais je pense que je vais essayer de le découvrir un jour.
Néanmoins, il serait intéressant d'expérimenter l'abandon complet des métriques standard et de les remplacer par des métriques similaires à celles utilisées dans l'optimisation de metatrader). Il est fort probable que je doive passer à un niveau inférieur et travailler directement avec les paquets d'optimisation - quelque chose comme ça.
Je ne suis pas prêt à promettre que c'est un graal), mais je pense que j'essaierai de m'en occuper un jour.
En cas de grand espace de caractéristiques (des dizaines de caractéristiques), comment déterminer à l'avance quelle conditionnalité est la meilleure ?
Il est certain que pour les mesures standard, la conditionnalité est toujours préférable - sinon elles ne seraient pas une norme. Mais cela peut-il vous empêcher d'inventer votre propre vélo ?)