L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2584
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Penso che la personalizzazione della funzione di perdita per soddisfare le esigenze dei nostri commercianti dovrebbe essere studiata ulteriormente.
Come esempio, eccoun articolo sull'argomento.
Per una prospettiva più ampia?
In primo luogo giustificare il significato da un punto di vista pratico: per esempio, se fai questo, otterrai questo, porterà a questo... ecc .
Qui si può digitare qualsiasi parola sull'argomento in Google e il ramo sarà inondato di link fino all'impossibile in un batter d'occhio.
Penso che la personalizzazione della funzione di perdita per soddisfare le esigenze dei nostri commercianti dovrebbe essere studiata ulteriormente.
Come esempio, eccoun articolo sull'argomento.
D'accordo.
La classificazione e la regressione standard non sono molto adatte alla BP.
D'accordo.
La classificazione e la regressione standard non sono molto adatte alla BP.
Vorrei iniziare a imparare come costruire qualsiasi funzione di perdita desiderata e corretta - in modo che sia più simile, per esempio, alla massimizzazione del profitto, e in modo che gli algoritmi di apprendimento funzionino correttamente con queste funzioni. Apparentemente dovremo entrare nelle basi anche nel caso della più semplice regressione lineare.
Vorrei iniziare imparando a costruire qualsiasi funzione di perdita desiderata e corretta - per renderla più simile, per esempio, alla massimizzazione del profitto, e perché gli algoritmi di apprendimento lavorino bene con queste funzioni.
Cosa c'è di sbagliato nella massimizzazione stessa?
Ci potrebbe essere un problema di scarsa condizionalità, che dipende dalle metriche utilizzate. Potrebbe esserci un problema con il calcolo del gradiente e dell'hessian per il boosting.
Ci possono essere problemi di scarsa condizionalità, il che dipende dalla metrica utilizzata. Potrebbe esserci un problema con il calcolo del gradiente e dell'hessian per il boosting.
Le metriche personalizzate sono usate per selezionare i modelli, ma l'apprendimento è ancora basato su metriche standard (logloss per la classificazione, per esempio). Perché le vostre metriche non sono legate alla relazione caratteristica/target, mentre quelle standard lo sono. E qui non è chiaro se selezionare i modelli in base a Sharpe Ratio o R2, o smettere immediatamente di imparare quando li si massimizza. Probabilmente uno potrebbe fare entrambe le cose.
Tuttavia sarebbe interessante sperimentare l'abbandono delle metriche standard e sostituirle con quelle simili a quelle utilizzate nell'ottimizzazione di metatrader) Molto probabilmente dovrò scendere e lavorare direttamente con i pacchetti di ottimizzazione - qualcosa del genere.
Non sono pronto a pretendere che il graal sia fornito) ma penso che cercherò di capirlo prima o poi.
Tuttavia, sarebbe interessante sperimentare di abbandonare completamente le metriche standard e sostituirle con quelle simili a quelle utilizzate nell'ottimizzazione di metatrader) Molto probabilmente, dovrò andare ad un livello più basso e lavorare direttamente con i pacchetti di ottimizzazione - qualcosa del genere.
Non sono pronto a promettere che sia un graal), ma penso che prima o poi proverò a gestirlo.
Nel caso di un grande spazio di caratteristiche (decine di caratteristiche), come determinare in anticipo quale condizionalità è migliore?
Sicuramente per le metriche standard la condizionalità è sempre meglio - altrimenti non sarebbero uno standard. Ma può impedirti di inventare le tue moto?)