FórumSeções

Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3350

Novo comentário
[Excluído]
Os MOs nem sequer sabem a diferença entre auto ml e full cyclic :)
Se você criar um modelo, seus clientes começarão a assediá-lo e você pagará pelas solicitações 😀😀 melhor seu próprio servidor.
[Excluído]
fxsaber #:

Na mesma lista.

Lembro que em algum lugar você comparou o lucro máximo entre os dts. E em um gráfico específico, qual algoritmo foi usado para obter o lucro máximo? Por meio de otimização ou existe um algoritmo rígido?
[Excluído]

A metodologia das previsões conformes também é semelhante à de Kozul, pelo menos em termos de ponderação de probabilidade inversa. Ainda não li mais nada. Muitas definições :)

E a definição de resultados potenciais é usada da mesma forma. Mas isso já está mais claro no caso da classificação binária. Ou seja, nenhum tratamento ou variável instrumental é introduzido.

GitHub - valeman/awesome-conformal-prediction: A professionally curated list of awesome Conformal Prediction videos, tutorials, books, papers, PhD and MSc theses, articles and open-source libraries.
GitHub - valeman/awesome-conformal-prediction: A professionally curated list of awesome Conformal Prediction videos, tutorials, books, papers, PhD and MSc theses, articles and open-source libraries.
  • valeman
  • github.com
A professionally curated list of awesome Conformal Prediction videos, tutorials, books, papers, PhD and MSc theses, articles and open-source libraries. - GitHub - valeman/awesome-conformal-predicti...
[Excluído]
Meus dois últimos artigos, em um nível simples e sem nuances, descrevem praticamente todas essas abordagens. Digamos que eles não as descrevam, mas chegam perto. Agora estou verificando os detalhes do que eles pesquisaram. Por exemplo, a conformidade indutiva e a transdutiva diferem apenas em um ou dois classificadores, separadamente para cada rótulo de classe. O último é melhor (mais preciso) na estimativa posterior. E eu usei o método indutivo. Outra coisa é treinar novamente os modelos com a adição e o descarte de cada amostra para obter uma estimativa mais precisa. É muito caro, mas um pouco eficiente. Mas você pode usar classificadores simples e rápidos. Sobre os quais também escrevi durante o treinamento em tocos.

Não estou vendo nenhum aplauso para meu brilhantismo



Hi!

Estou experimentando maneiras diferentes.

E o algoritmo NN+GA está valendo a pena. Muito mais estável.

[Excluído]
Alexander Ivanov #:

Hi!

Estou tentando de várias maneiras.

E o algoritmo NN+GA está valendo a pena. Muito mais estável.

Está dizendo que é mais legal do que eu?
[Excluído]

umaleitura noturna com vodca, carne de veado e pepino.

desenvolver o tema e tentar vincular em minha cabeça abordagens de diferentes disciplinas do MOSH.

A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
  • arxiv.org
Black-box machine learning models are now routinely used in high-risk settings, like medical diagnostics, which demand uncertainty quantification to avoid consequential model failures. Conformal prediction is a user-friendly paradigm for creating statistically rigorous uncertainty sets/intervals for the predictions of such models. Critically, the sets are valid in a distribution-free sense: they possess explicit, non-asymptotic guarantees even without distributional assumptions or model assumptions. One can use conformal prediction with any pre-trained model, such as a neural network, to produce sets that are guaranteed to contain the ground truth with a user-specified probability, such as 90%. It is easy-to-understand, easy-to-use, and general, applying naturally to problems arising in the fields of computer vision, natural language processing, deep reinforcement learning, and so on. This hands-on introduction is aimed to provide the reader a working understanding of conformal...
Maxim Dmitrievsky #:

umaleitura para uma noite de vodca, carne de veado e pepino.

desenvolvendo o tema e tentando vincular em minha cabeça abordagens de diferentes disciplinas do MOSH.

Bom apetite e uma leve ressaca)

Parece ser muito semelhante à previsão probabilística, embora eles digam que são coisas diferentes. Pelo que entendi até agora, o conformal é mais voltado para a classificação, e o probabilístico é voltado para a regressão.

Maxim Dmitrievsky #:
Lembro que em algum lugar você comparou o lucro máximo entre os dts. E em um gráfico específico, qual algoritmo você usou para obter o lucro máximo? Por meio de otimização ou existe um algoritmo rígido?

E de uma só passagem. Em algum lugar do fórum.

[Excluído]
Aleksey Nikolayev #:

Aproveite sua refeição e tenha uma leve ressaca)

Parece ser muito semelhante à previsão probabilística, embora eles digam que são coisas diferentes. Pelo que entendi até agora, o conformal é mais especializado em classificação e o probabilístico em regressão.

Obrigado :) sim, semelhante. Eles escrevem que não importa a classificação ou a regressão. A forma de obter estimativas para previsões por meio de comparação na rede de validação é clara (no caso de "indutivo", ou seja, uma forma mais rápida e simples). A "transdutiva" também é mais ou menos clara, mas é muito lenta porque exige o treinamento de tantos modelos quanto o número de exemplos na amostra. Há também variantes intermediárias como o CV, que eu mesmo fiz.

Não entendi muito bem no artigo como os modelos finais são treinados, o que é substituído e onde. Novamente, por meio da correção dos pesos do modelo, sua calibração (ponderação da amostra) ou algo assim, como em kozula. Ou os marcadores mais prováveis são substituídos no modelo após a avaliação. Acabei de usar o segundo modelo para essa finalidade, que proíbe a negociação com exemplos ruins.

1...334333443345334633473348334933503351335233533354335533563357...3399
Novo comentário