Discussão do artigo "Estudando a previsão conformal de séries temporais financeiras"

Novo comentário
 

Novo artigo Estudando a previsão conformal de séries temporais financeiras foi publicado:

Neste artigo, você conhecerá as previsões conformais e a biblioteca MAPIE, que as implementa. Essa abordagem é uma das mais modernas em aprendizado de máquina e permite focar no controle de riscos para os já existentes e variados modelos de aprendizado de máquina. As previsões conformais, por si só, não são uma forma de encontrar padrões nos dados. Elas apenas determinam o grau de confiança dos modelos existentes ao preverem exemplos específicos e permitem filtrar previsões confiáveis.

MAPIE ou "Model agnostic prediction interval estimator" é uma biblioteca Python de código aberto, desenvolvida para a avaliação quantitativa da incerteza e o controle de riscos em modelos de aprendizado de máquina. Ela permite calcular intervalos de previsão para tarefas de regressão, bem como conjuntos de previsão para classificação e séries temporais. Essa avaliação de incerteza é realizada com base em um conjunto especial de dados de "conformidade".

Uma das principais vantagens do MAPIE é seu caráter agnóstico em relação ao modelo, o que significa que essa biblioteca se pode usar com qualquer modelo compatível com a API scikit-learn, incluindo aqueles desenvolvidos com TensorFlow ou PyTorch por meio de wrappers apropriados. Essa característica simplifica significativamente a integração em pipelines analíticos existentes, já que os traders frequentemente utilizam uma ampla variedade de modelos de aprendizado de máquina, desde abordagens estatísticas tradicionais até redes neurais complexas, dependendo da classe de ativos ou de uma estratégia de negociação específica. A possibilidade de utilizar sem obstáculos modelos já testados para incluir a avaliação quantitativa da incerteza reduz substancialmente os custos de implementação e acelera a adaptação, o que é especialmente valioso em um ambiente financeiro dinâmico.

A biblioteca faz parte do ecossistema scikit-learn-contrib e se baseia nas áreas de previsão conformal e inferência independente de distribuição. Ela implementa algoritmos revisados por pares, que não dependem do modelo nem do caso de uso, e que possuem garantias teóricas com suposições mínimas sobre os dados e o modelo. Além da classificação padrão, o MAPIE também é capaz de controlar riscos para tarefas mais complexas, como classificação multiclasse e segmentação de imagens em visão computacional, fornecendo garantias probabilísticas para métricas como recall e precisão.


Autor: dmitrievsky

 
MetaQuotes:

Artigo publicado Exploring conformal forecasting of financial time series:

Autor: Maxim Dmitrievsky

Artigo muito interessante e informativo. Vou reler o artigo novamente e tentar implementar a abordagem em meu terminal MT5. Obrigado ao autor.
 
Já usei mapeamentos conformes em hidro-aerodinâmica, mas é interessante aplicá-los a séries temporais financeiras. Não concordo com o autor em tudo, mas o respeito de qualquer forma.
 
Olá, acho que você esqueceu de anexar o módulo fixing_lib. O módulo está sendo importado no arquivo mapie_causal.py
[Excluído]  
KleversonGerhardt #:
Olá, acho que você esqueceu de anexar o módulo fixing_lib. O módulo está sendo importado no arquivo mapie_causal.py
Olá, isso foi experimental e não afeta a lógica atual. Você pode excluir.
Novo comentário