L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2585
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
Interessante, ma non è chiaro da dove iniziare. La perdita dovrebbe essere basata su alcune nozioni sui modelli di mercato. Beh, per esempio si possono fare correzioni sulla volatilità.
Penso di iniziare abbastanza semplice - classificazione con regressione logistica in due classi (entrata/uscita) e con un piccolo numero di attributi. Solo per vedere perché l'argomento non è molto popolare.
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 si potrebbe fare in entrambi i modi.
Un'idea completamente sbagliata, sono un po' imbarazzato per te...
Tuttavia, sarebbe interessante sperimentare la possibilità di eliminare del tutto le metriche standard e sostituirle con altre simili a quelle utilizzate nell'ottimizzazione di metatrader) probabilmente dovrei passare a un livello più basso e lavorare direttamente con i pacchetti di ottimizzazione
Questo è quello che ti dico da più di mezzo anno, è meglio allenare AMO attraverso la FUNZIONE FITNESS!
Delusione totale, sono un po' imbarazzato per te...
Hai appena espresso la vergogna giapponese per l'intera comunità mondiale. ) C'è un grande insieme di metriche personalizzate, ma la formazione principale è quella di minimizzare il logloss. Fermare l'apprendimento da parte di quelli personalizzati sì. Abbinare la base con quelle personalizzate è ottimo, non ha senso agitarsi per questo. Studio, studente.
Sono uno studente da sempre.
Studiare, studente per tutta la vita
Logloss mostra la quantità di informazione reciproca tra i tratti e l'obiettivo, per quanto ho capito. Questo è il valore f più oggettivo, senza descrivere il tipo di dipendenza. Il modello è addestrato per minimizzare la perdita di tali informazioni, specialmente il boosting funziona in questo modo.
Esempio...
C'è un dataframe caratteristica "X"
C'è un modello "M"
Ci sono 5 serie temporali "tc5".
Il compito è.
Il modello "M" prende "X" come input (tutto è come al solito)
e "M" produce due vettori che dovrebbero essere
1) massimamente stazionario
2) non correlare con tutti i vettori "Мc5" il più possibile
Non hai un obiettivo nella sua forma abituale, hai dei requisiti per gli output del modello...
Non stiamo prevedendo prezzo, zz, rendimenti ecc, quella è un'altra canzone
Come risolverete questo problema con il vostro boost out of the box?
esempio...
C'è un dataframe caratteristica "X"
C'è un modello "M"
Ci sono 5 serie temporali "tc5"
Il compito è.
Il modello "M" prende "X" come input (tutto è come al solito)
e "M" produce due vettori che dovrebbero essere
1) massimamente stazionario
2) non sono correlati con tutti i vettori "Мc5".
Non hai un obiettivo nella sua forma abituale, hai dei requisiti per gli output del modello...
Non stiamo prevedendo prezzo, zz, rendimenti ecc, quella è un'altra canzone
Come risolverete una cosa del genere con il vostro boost fuori dalla scatola?
Enumerando gli obiettivi, il compito è il contrario
1) si insegna il modello milioni di volte e vedere cosa succede?
Sì, beh, obiettivo prendere dal soffitto, o f-u. Stai facendo l'allenamento al contrario, per quanto ho capito dalla descrizione. Qual è il suo vantaggio rispetto a quello classico, bisogna rispondere a questa domanda
))))
Sono fuori)