Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2584
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
Acho que a personalização da função de perda para atender às necessidades dos nossos traders deve ser investigada mais a fundo.
Como exemplo, aqui estáum artigo sobre o assunto.
Para uma perspectiva mais ampla?
Primeiro justifique o significado de um ponto de vista prático: por exemplo, se você fizer isso, você terá isso, isso levará a isso... etc ...
Aqui você pode digitar qualquer palavra sobre o assunto no Google e o ramo será inundado de links até o impossível em um piscar de olhos.
Acho que a personalização da função de perda para atender às necessidades dos nossos traders deve ser investigada mais a fundo.
Como exemplo, aqui estáum artigo sobre o assunto.
De acordo.
A classificação padrão e a regressão não são muito adequadas para a BP.
De acordo.
A classificação padrão e a regressão não são muito adequadas para a BP.
Eu gostaria de começar aprendendo como construir qualquer função de perda desejada e correta - para que seja mais semelhante, por exemplo, para maximizar o lucro, e para que os algoritmos de aprendizagem funcionem corretamente com estas funções. Aparentemente, teremos de entrar no básico mesmo no caso da regressão linear mais simples.
Gostaria de começar por aprender como construir qualquer função de perda desejada e correta - para torná-la mais semelhante, por exemplo, para maximizar o lucro, e para que os algoritmos de aprendizagem funcionem bem com estas funções.
O que há de errado com a maximização em si?
Pode haver um problema de condicionalidade deficiente, que depende da métrica utilizada. Pode haver um problema com o cálculo do gradiente e da hessian para o reforço.
Pode haver problemas com a condicionalidade deficiente, o que depende da métrica utilizada. Pode haver um problema com o cálculo do gradiente e da hessian para o reforço.
As métricas personalizadas são usadas para selecionar modelos, mas a aprendizagem ainda é feita por métricas padrão (logloss para classificação, por exemplo). Porque as suas métricas não estão relacionadas com a relação característica/alvo, enquanto que as métricas padrão estão. E aqui não está claro se depois se deve seleccionar modelos por Sharpe Ratio ou R2, ou parar imediatamente de aprender ao maximizá-los. Provavelmente pode ser feito nos dois sentidos.
Entretanto, seria interessante experimentar abandonar as métricas padrão e substituí-las por outras similares às usadas na otimização de metatraders) Muito provavelmente eu terei que descer e trabalhar diretamente com pacotes de otimização - algo do tipo.
Não estou pronto para dizer que o graal é fornecido) Mas acho que vou tentar descobrir um dia destes.
Ainda assim, seria interessante experimentar abandonar completamente as métricas padrão e substituí-las por outras similares às usadas na otimização de metatraders) Muito provavelmente, eu terei que ir para um nível mais baixo e trabalhar diretamente com pacotes de otimização - algo do tipo.
Não estou pronto para prometer que é um graal), mas acho que vou tentar lidar com isso um dia destes.
No caso de um grande espaço de recursos (dezenas de recursos), como determinar antecipadamente qual condicionalidade é melhor?
Com certeza a condicionalidade da métrica padrão é sempre melhor - caso contrário não seria um padrão. Mas isso pode impedi-lo de inventar as suas próprias bicicletas?)