Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3360
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Não estou fazendo campanha alguma. Há muitas abordagens, a pergunta era sobre o conhecimento do MO
Bem, eu pessoalmente não associei a resposta do modelo à probabilidade de uma classe desistir, eu a considero como a confiança do modelo na definição da classe. A confiança é contada por folhas, e as folhas são contadas pela amostra de treinamento. Aqui, uma única folha mostrará a probabilidade de desistência da classe. Como cada folha não tem respostas em todos os pontos da amostra, verifica-se que a soma das probabilidades é distorcida na resposta final do modelo. Talvez haja uma maneira de corrigir nesse nível - e estou interessado nisso - e tentei direcionar a discussão para essa direção.
Em minha opinião, a solução é agrupar as folhas por pontos de resposta semelhantes e transformar ainda mais os resultados médios resumidos dos grupos....
Bem, eu pessoalmente não associei a resposta do modelo à probabilidade de desistência da classe, mas a considerei como a confiança do modelo na detecção da classe. A confiança é baseada em folhas, e as folhas são baseadas na amostra de treinamento. Aqui, uma única folha mostrará a probabilidade de desistência da classe. Como cada folha não tem respostas em todos os pontos da amostra, verifica-se que a soma das probabilidades é distorcida na resposta final do modelo. Talvez haja uma maneira de corrigir nesse nível - e estou interessado nisso - é nessa direção que eu estava tentando direcionar a discussão.
Em minha opinião, a solução é agrupar as folhas por pontos de resposta semelhantes e transformar ainda mais os resultados médios resumidos dos grupos....
Desculpe-me, mas sem referências a bibliotecas, cadernos ou artigos, eu ainda entendo isso da seguinte forma
Desculpe, mas sem links para bibliotecas, cadernos ou artigos, eu ainda entendo mais ou menos assim
Eh, tudo o que você precisa são pacotes...
Ah, eu gostaria que vocês tivessem bolsas.
Depois de calibrar qualquer classificador pelo método CV, você pode ver imediatamente o potencial desse modelo. Se ele não for capaz de nada, as probabilidades se agrupam em torno de 0,5 após esse procedimento. Embora antes disso ele fosse excessivamente confiante. Não é interessante continuar mexendo em um modelo como esse. Ele não pode ser aprimorado. Ou seja, ele não pode nem mesmo ser calibrado normalmente, pois não há peixes. É bastante conveniente.
Não há "corte quântico", em suas palavras, nenhuma faixa ou compartimento em que ele daria um lucro provável.
Ok, por fim, para encerrar o tópico. Consegui exportar a calibração sigmoidal para o metac.
Dado: gradient bousting retrained, depois calibrado para esse estado:
No limite 0,5, tudo é óbvio, você pode ver onde está o OOS:
Executo o limite e paro a otimização:
Obtenho todos os tipos de variações, as melhores nos limites 0,75-0,85. Até mesmo um pouco de dados novos está um pouco fora, embora com um limite de 0,5 não haja variantes normais.
É um brinquedo bastante divertido.
Depois de calibrar qualquer classificador usando o método CV, é possível ver imediatamente o potencial desse modelo. Se ele não for capaz de nada, as probabilidades se aglomeram em torno de 0,5 após esse procedimento. Embora antes disso ele estivesse confiante demais. Não é interessante continuar a mexer em um modelo como esse. Ele não pode ser aprimorado. Ou seja, ele não pode nem mesmo ser calibrado normalmente, pois não há peixes. É muito conveniente.
Não há um único "corte quântico", em suas palavras, não há um único intervalo ou compartimento em que ele daria um lucro provável.
Se isso permite que você automatize a triagem de modelos, isso já é uma coisa boa.
Tenho uma visualização do modelo por seu índice de probabilidade-confiança com uma etapa de 0,05 e posso ver tudo de uma vez. O principal é a transformação do resultado na amostra de treinamento e em outras - aí as probabilidades estão se arrastando, por isso estou falando de não representatividade. É por isso que vejo a calibração como uma medida ineficaz em nosso caso. Se não houver um forte viés de amostra para amostra em seus modelos, isso é bastante surpreendente.
E observarei que apenas um modelo mal treinado produzirá probabilidades em um intervalo estreito.
Um modelo normalmente treinado geralmente se situará precisamente nas zonas de forte confiança. É por isso que faz sentido definir não um limite de classificação, mas uma janela. Por exemplo, de 0,55 a 0,65, considere a classe retornada como uma unidade e ignore o restante. Nas extremidades, o modelo é confiável, mas geralmente há muito poucas observações, portanto, a significância estatística é pequena.
Senhores do Ministério da Defesa!
Vale a pena?
Pegando meu algoritmo - Discussão geral - MQL5
Enquanto ele ainda estiver em perfeitas condições, aproveite-o ao máximo. Ninguém entende o que você está dizendo.
Vamos lá)))))) Feliz Ano Novo))))
A verdade é inalterada))))
Sim, bom)))))) Feliz Ano Novo))))
A verdade é inalterada)))))