L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3397

[[Eliminato]]

Vorrei scrivere un ottimizzatore per un portafoglio di modelli, dato che vengono generati abbastanza rapidamente, su scala industriale.

Ma se ne abbiamo molti, non vogliamo trascinarli tutti nel terminale. In via puramente ipotetica, se non salviamo i modelli, ma impiliamo i dataset su cui sono stati addestrati, e poi addestriamo un modello finale su di essi, i risultati dovrebbero essere paragonabili all'ensemble di modelli, giusto?

[[Eliminato]]

Ho anche intenzione di sperimentare non il matchmaking posizionale, come nell'articolo, ma il Propensity score. Ciò consentirà di calibrare le probabilità allo stesso tempo.

Poi userò la libreria di Google per vedere cosa riesco a ricavarne.

Forse più tardi presenterò i risultati.

[Aleksandr Dziuba]

Se nelle righe inferiori dei parametri di ottimizzazione sono presenti valori negativi per il deposito, il profitto o il capitale proprio, quando si ottengono i risultati, questi ultimi verranno sicuramente sparati un giorno. Tutte le ottimizzazioni devono ottenere dati solo per questo periodo. Anche se non è triste, è così.

[[Eliminato]]

Maxim Dmitrievsky #:

Ho anche intenzione di sperimentare non il matchmaking posizionale, come nell'articolo, ma il Propensity score. Questo permetterà di calibrare le probabilità allo stesso tempo.

In teoria, è possibile cercare e abbinare i campioni attraverso questo strumento.

Ad esempio, contrassegnare casualmente un pezzo del campione come 0 e un altro come 1. Insegnare ai NS a separarsi per classificare quale campione appartiene a quale campione. Questa operazione è chiamata anche validazione adversariale.

Idealmente, il NS non dovrebbe identificare il campione, l'errore dovrebbe essere di circa 0,5. Questo significa che il campione originale è ben definito. Ciò significa che il campione originale è ben randomizzato.

propensity
0.38        3
0.40        3
0.41        3
0.42       20
0.43       27
0.44       40
0.45       56
0.46      140
0.47      745
0.48     3213
0.49     8041
0.50    11718
0.51     5324
0.52     1187
0.53      749
0.54      209
0.55       95
0.56       54
0.57       29
0.58       12
0.59       14
0.60        8
0.61        6
0.63        1

Qualunque valore vicino a 0,5 è buono e questi dati possono essere utilizzati per l'addestramento. I valori estremi sono valori anomali.

Per ogni "probabilità" è possibile calcolare la percentuale di casi indovinati.

Finora, questo approccio è un po' sconcertante.

[Aleksey Vyazmikin]

Un interessante concorso in corso - per chi vuole confrontare il proprio successo nel prevedere le quotazioni con gli altri partecipanti.

[mytarmailS]

Aleksey Vyazmikin #:

Interessante concorso in corso - per chi vuole confrontare il proprio successo nella previsione delle quotazioni con gli altri partecipanti.

Questo link è già stato inserito qui molte volte

[Aleksey Vyazmikin]

mytarmailS #:
Questo link è già stato inserito molte volte

Non me lo ricordavo - credo che allora non fosse chiaro cosa fare, ma ora ho letto la guida e mi è diventato più chiaro. Comunque, è un fatto che questa idea funziona da molto tempo. Da quanto ho capito, pagano con una sorta di criptovaluta per le buone previsioni.

Lo svantaggio, ovviamente, è che il codice è aperto e deve essere trasferito per la partecipazione.

[[Eliminato]]

Il futuro è qui. Sto gestendo l'LLM di Google a livello locale. Ora non ho bisogno di moglie e amici.

[[Eliminato]]

Maxim Dmitrievsky #:

Il futuro è qui. Sto gestendo l'LLM di Google a livello locale. Ora non ho bisogno di moglie e amici.

https://blog.google/technology/developers/gemma-open-models/

[Aleksey Vyazmikin]

Una buona sintesi dell'intero thread