L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2730
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
Qui si parla apparentemente di campioni multivariati (ogni elemento è una riga di una tabella, un vettore), mentre i criteri di omogeneità nei vostri tre link riguardano campioni numerici. I criteri di omogeneità multivariata in matstat sono un brano a parte e non mi sono del tutto chiari.
Ogni predittore separatamente è un campione numerico, quindi perché non valutarli separatamente e fare una media dei risultati? Se ci sono dinamiche di deterioramento nella maggior parte dei predittori, il campione è ridondante.
Sembra che il compito di ricercare molti punti di cambiamento sia stato individuato. Ancora una volta, si scopre che dobbiamo lavorare con un caso multivariato (vettoriale), il che complica molto le cose.
In generale, non mi piace la dipendenza dagli attributi scelti per lo studio. Se prendiamo set diversi di attributi, i risultati possono essere diversi.
Forse dovremmo trovare le varianti che danno i migliori risultati in termini di identificazione dell'appartenenza dei segmenti a un particolare gruppo e di efficienza della formazione su una popolazione raggruppata.
Si può mescolare solo all'interno di un campione, se si mescolano due campioni, si nega che il mercato stia cambiando.
Non riuscite a capire di nuovo la logica?
Come si può dimostrare che il mercato sta cambiando? Quanto dura questo processo? O è in continua evoluzione?
Come si può dimostrare la mutevolezza del mercato? Quanto dura questo processo? O è in continua evoluzione?
Ecco, il delizioso argomentatore è acceso.
E quale dimensione del campione dovrebbe essere presa per determinare la stazionarietà/non stazionarietà?
Secondo voi un pattern non vive più a lungo della durata della variazione del campione, ma cosa succede se nel mio campione c'è un pattern che si ripete per 8 anni? Che cos'è, un'anomalia, o i pattern non stanno cambiando tutti o i pattern identificati in una piccola area sono errati e dovuti ad altri fattori?
Ogni singolo predittore è un campione numerico, quindi perché non stimarli singolarmente e fare una media dei risultati?
Questo funziona solo nel caso di caratteristiche indipendenti, e dato che sono conteggiate allo stesso prezzo, non è possibile. Nel caso della dipendenza tutto è molto più complicato: possiamo prendere come esempio le copule, dove le distribuzioni univariate sono sempre uniformi, ma le distribuzioni bivariate possono essere molto diverse.
Forse dovremmo trovare le varianti che danno i migliori risultati in termini di identificazione dell'appartenenza dei segmenti a un particolare gruppo e di efficienza dell'addestramento su una popolazione raggruppata.
Dovremo aggiungere (alla già considerevole quantità di enumerazione) l'enumerazione per tipi di caratteristiche e, probabilmente, per parametri delle caratteristiche.
Ciononostante, mi sembra che ci sia una venatura razionale nel vostro approccio, c'è qualcosa su cui riflettere.
Non ho forse scritto che l'idea è quella di confrontare i campioni (di addestramento e di applicazione), che se la tua teoria è corretta, il campione cesserà di essere simile man mano che aumenta, e per capire questo abbiamo bisogno di criteri per valutare il suo cambiamento, che sono derivati dai metodi di valutazione della somiglianza?
E quale dimensione del campione deve essere presa per determinare la stazionarietà/non stazionarietà?
Secondo voi, un pattern non vive più a lungo della durata di una variazione del campione, ma cosa succede se nel mio campione c'è un pattern che si ripete per 8 anni? Che cos'è, un'anomalia, o i pattern non stanno cambiando tutti o i pattern identificati in una piccola area sono sbagliati e dovuti ad altri fattori?
Modelli diversi ma simili, diversi e non simili come si differenziano? Il punto di biforcazione non porterà necessariamente a una modifica del modello, è possibile marcare visivamente le stesse aree manualmente, ma non c'è una parte predittiva alla fine, l'obiettivo è trovare la lunghezza minima del campione, che conferma lo stato o la conformità del modello.
Complessità del modello, qui ovviamente c'è anche una contraddizione, un modello semplice non descriverà una sezione sufficientemente lunga necessaria, ma sarà ripetuto, un modello complesso può descrivere una sezione sufficientemente lunga necessaria, ma può essere unico. Come sempre è necessaria una via di mezzo))))))
Complessità del modello, qui ovviamente c'è anche una contraddizione, un modello semplice non descriverà una sezione sufficientemente lunga necessaria, ma sarà ripetuto, un modello complesso può descrivere una sezione sufficientemente lunga necessaria, ma può essere unico. Come sempre, una via di mezzo è necessaria))))))