L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3131
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
In parte hai ragione, ma non capisco la filosofia di rimescolare tutto - certamente funziona se non c'è una deriva irrecuperabile, per esempio con la ciclicità.
Per cominciare, vorrei classificare i diversi tipi di deriva, e poi lavorare con loro individualmente - se la causa è nota, allora possiamo pensare a un modo per eliminarla. E se non si può eliminare, allora si può individuare (rilevamento).
La randomizzazione rimuove il bias tra il test e il controllo, dopodiché si valuta l'impatto del predittore.
Se non si rimuove prima il bias, si tratterà di una relazione associativa, non causale.
Tutti questi contenuti meravigliosi possono essere messi in un thread separato?
Ho finito
Può mostrarmi qualcosa di simile?
Se è così comune.
Finalmente!
Beh, è un inizio.
E poi?
Cosa c'è di così difficile? Saltare da una scala all'altra è una cosa che abbiamo già fatto, non ci sono segreti qui. Sto cercando cose più complicate, e un quadro con un solo accordo non rivela in alcun modo l'essenza dell'intero quadro.
Capisco.
Non è difficile scrivere lettere.
Ho capito.
Non è difficile da scrivere, ovviamente.
Ha visto i miei lavori da freelance? ))))
Hai visto i miei lavori da freelance? ))))
Quale metodologia si può utilizzare per valutare la qualità delle offerte quando si vede un profilo di freelance?
La randomizzazione elimina il bias tra test e controllo, dopodiché viene stimato l'impatto del predittore.
Se il bias non viene rimosso prima, sarà associativo piuttosto che causale.
Il gold standard
Nella lezione precedente abbiamo visto perché e come l'associazione differisce dalla causalità. Abbiamo anche visto cosa è necessario perché un'associazione diventi una relazione causale.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} ATT AGGIUSTAMENTO.
Ricordiamo che l'associazione diventa causalità se non ci sono distorsioni. Non ci saranno distorsioni se E[Yo T = 0] = E[Yo T = 1]. In altre parole, l'associazione sarà causale se i pazienti trattati e quelli di controllo sono uguali o comparabili, tranne che per il trattamento. O, per dirla in termini più tecnici
Qui sopra c'è la traduzione dell'immagine.
Per cominciare, non riesco a capire in quale momento si voglia dividere il campione in due sottocampioni.
Poi - apparentemente c'è una terminologia speciale qui, la causalità è un effetto diretto su un risultato - forse nemmeno più un modello probabilistico. Una relazione associativa è un attivatore della causa o una caratteristica associata, e di solito è probabilistica.
Non capisco la formula - spiegare il punto in termini umani?
Ma lo scopo di questi metodi (UpLift) è stimare il fattore che ha influenzato esclusivamente l'obiettivo. Capisco che si valuta il grado di influenza. E, supponiamo che nel nostro caso non si conosca tale fattore e che si analizzi tutto, ottenendo come risultato alcune misurazioni. E cosa suggerisce di fare con queste misure? Escludere i cattivi indicatori?
Come possiamo utilizzarli con la deriva graduale dei dati?
Non lo escludo, forse avete trovato qualcosa di geniale, ma non ho ancora colto il filo del discorso.
Il gold standard
Nella lezione precedente abbiamo analizzato perché e come l'associazione differisce dalla causalità. Abbiamo anche visto cosa è necessario perché un'associazione sia una relazione causale.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} ATT AGGIUSTAMENTO.
Ricordiamo che l'associazione diventa causalità se non ci sono distorsioni. Non ci saranno distorsioni se E[Yo T = 0] = E[Yo T = 1]. In altre parole, l'associazione sarà causale se i pazienti trattati e quelli di controllo sono uguali o comparabili, tranne che per il trattamento. O, per dirla in termini più tecnici
Qui sopra è riportata la traduzione dell'immagine.
Per cominciare, non riesco a capire in quale momento si voglia dividere il campione in due sottocampioni.
Poi - apparentemente c'è una terminologia speciale qui, la causalità è un'influenza diretta sul risultato - forse nemmeno più un modello probabilistico. Una relazione associativa è un attivatore della causa o una caratteristica associata, e di solito ha un significato probabilistico.
Non capisco la formula: può darmi il succo della questione in termini umani?
Ma lo scopo di questi metodi (UpLift) è stimare il fattore che ha influenzato esclusivamente l'obiettivo. Mi sembra di capire che si valuta il grado di influenza. E, supponiamo che nel nostro caso non si conosca tale fattore e che si analizzi tutto, ottenendo come risultato alcune misurazioni. E cosa suggerisce di fare con queste misure? Escludere i cattivi indicatori?
Come utilizzarlo in caso di deriva graduale dei dati?
Non escludo, forse avete escogitato qualcosa di ingegnoso, ma non ho ancora colto il filo del discorso.
Puoi chiedere a chatgpt di decodificare la formula se non capisci qualche simbolo.
Y|T = 1 risultati del gruppo di test (con tritolo)
Y|T = 0 - gruppo di controllo (senza)
Y - etichetta della classe, Y0,Y1 - etichette della classe senza e con il tritolo.
T - tritolo introdotto nel modello (incluso il predittore) o non introdotto (1;0)
E - aspettativa
Dividere in qualsiasi punto quando si divide per test e traine.
Se non si effettua la miscelazione, si ottiene una stima distorta di ATE+bias
ATE è l'effetto medio dell'esposizione al trattamento
Dormendo, potrei confondere le lettere in alcuni punti, ma la logica dovrebbe essere chiara
a proposito, il bardo di Google è più adatto a me di gpt. È in grado di utilizzare Google ed è gratuito.
Ma supporta solo l'inglese e la vpn negli Stati Uniti o in Inghilterra, non funziona in altri paesi.
E fondamentalmente, chi sono gli openAI e chi sono i Google. Probabilmente si tratta di categorie di peso diverse.