L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3075
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
Si, par exemple, il existe un système de négociation qui fonctionne sur l'historique....
Et si nous essayions de répondre à cette question en nous référant à l'article de Maxim ?
https://arxiv.org/pdf/2201.12692.pdfEt si vous essayiez de répondre à cette question en vous référant à l'article que maxim a donné ?
https:// arxiv.org/pdf/2201.12692.pdfL'orgueil ne le permet pas. Il a tout fait il y a longtemps en 15 minutes 🗿
L'orgueil ne le permet pas. Je veux dire, il a fait tout cela il y a longtemps en 15 minutes 🗿
Vous avez utilisé quelque chose pour traduire cet article ? J'ai essayé yandex, c'est mort.
Avez-vous utilisé quelque chose pour traduire cet article ? J'ai essayé Yandex, c'est mort.
avec votre tête. Demandez GPT, c'est parfois mieux contextualisé.
avec votre tête. Demandez le TPG, il s'adapte parfois mieux au contexte.
Oh, je suis en retard - je n'ai pas de GPT :(((((
Avez-vous utilisé quelque chose pour traduire cet article ? J'ai essayé Yandex, c'est mort.
https://www.chatpdf.com/.
et ensuite la traduction.
Bienvenue dans ce PDF informatif sur "Le méta-apprentissage pour l'estimation causale" ! Dans cet article, Gabriel Okasa explore les résultats d'un échantillon fini de méta-apprenants pour l'estimation d'effets de traitement hétérogènes. Lisez la suite pour découvrir les avantages de l'échantillonnage fractionné et de l'ajustement croisé pour réduire l'erreur systématique et améliorer l'efficacité des méta-apprenants.
Exemples de questions :
Que sont les méta-études et comment permettent-elles d'estimer les effets causaux ?
Comment la division de l'échantillon et l'ajustement croisé réduisent-ils l'erreur systématique de surajustement dans l'évaluation des méta-apprenants ?
Quelles sont les recommandations pratiques pour l'utilisation du méta-apprentissage dans des échantillons de petite et de grande taille ?
Le méta-apprentissage est un algorithme d'apprentissage automatique conçu pour estimer les relations causales. Ils fonctionnent en apprenant à partir d'un ensemble d'apprenants de base, qui sont eux-mêmes des algorithmes d'apprentissage automatique qui prédisent les effets du traitement. Les méta-apprenants combinent ensuite les prédictions de ces apprenants de base pour produire une estimation globale de l'effet causal. Cette approche peut contribuer à réduire l'erreur systématique et à améliorer la précision des estimations de l'effet causal. Pour plus d'informations sur le méta-apprentissage, voir la section 3.2 à la page 4.
Le fractionnement de l'échantillon et l'ajustement croisé sont deux méthodes utilisées pour réduire l'erreur systématique d'ajustement excessif dans l'évaluation des méta-étudiants. La division de l'échantillon consiste à diviser les données en deux sous-ensembles ou plus, en utilisant un sous-ensemble pour enseigner aux élèves de référence et un autre sous-ensemble pour estimer l'effet causal. L'ajustement croisé consiste à former chaque apprenant de base sur un sous-ensemble différent de données, puis à utiliser chaque apprenant pour prédire les effets du traitement sur l'autre sous-ensemble de données. Ces deux méthodes permettent de réduire les erreurs de surentraînement en empêchant les apprenants de base de se souvenir du bruit dans les données. Pour plus d'informations sur la division de l'échantillon et l'ajustement croisé, voir la section 2.2 à la page. 3.
Je suis en retard - je n'ai pas de GPT :(((((
Vous auriez dû lui demander d'écrire du code pour lui, pas pour nous ) encore mieux qu'un étudiant, pas besoin de le nourrir de saucisses
https://www.chatpdf.com/
et ensuite la traduction
Bienvenue dans ce PDF d'information sur "le méta-apprentissage pour l'estimation des effets causaux" ! Dans cet article, Gabriel Okasa explore les résultats du méta-apprentissage en échantillon fini pour l'estimation des effets de traitement hétérogènes. Poursuivez votre lecture pour découvrir les avantages de l'échantillonnage fractionné et de l'ajustement croisé pour réduire l'erreur systématique et améliorer l'efficacité du méta-apprentissage.
Merci beaucoup. J'ai téléchargé le fichier et il m'invite maintenant à poser des questions en anglais. Comment puis-je l'enseigner en russe ?
Vous auriez dû lui demander d'écrire du code pour lui-même, pas pour nous ) encore mieux qu'un étudiant, pas besoin de le nourrir de saucisses
Bon plan ! Je comprends que vous ayez besoin d'un téléphone étranger, mais où l'obtenez-vous ?