Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3127

[Удален]  

Значит колода плохо перетасована

bias - variance tradeoff

 
Maxim Dmitrievsky #:

Значит колода плохо перетасована

bias - variance tradeoff

Максим, учитывая твои такие высказывания и познания в рынках, позволю себе объяснить тебе, что значит выражение " Хвост виляет собакой".

Знаю, что у тебя это вызовет гнев и недовольство. Меня это не пугает.

Поясняю.

Хвост собаки это график который ты видишь слева за нулевым баром, а вот эта самая да СОБАКА будет справа.

Собаку надо понимать и уважать как и остальных форумян. Тогда у тебя появится шанс к успеху. Почитай книжки по психологии.))) 

 
Maxim Dmitrievsky #:

Значит колода плохо перетасована

bias - variance tradeoff

В том то и дело, что колоду нельзя тасовать, если есть дрейф данных. Нужно его прогнозировать, и возможно генерировать признаки с учетом его, ну если он имеет какой то выраженный вектор, а не просто колебание в диапазоне.

Тут открыл для себя интересный алгоритм "Isolation Forest", который теоретически может зафиксировать аномалии/выбросы в выборке для обучения и на новых данных.

В теории его можно использовать для фильтрации исходной выборки и игнорирования сигналов при поступлении новых данных, если они будут сильно отличаться от тех, на которых было обучение.

Есть желание совместно разобраться в этом?

Подробней можно почитать, к примеру, тут.

Примечания к машинному обучению Python алгоритм обнаружения аномальных точек - Isolation Forest - Русские Блоги
  • russianblogs.com
Примечания к машинному обучению Python алгоритм обнаружения аномальных точек - Isolation Forest, Русские Блоги, лучший сайт для обмена техническими статьями программиста.
[Удален]  
Aleksey Vyazmikin #:

В том то и дело, что колоду нельзя тасовать, если есть дрейф данных. Нужно его прогнозировать, и возможно генерировать признаки с учетом его, ну если он имеет какой то выраженный вектор, а не просто колебание в диапазоне.

Тут открыл для себя интересный алгоритм "Isolation Forest", который теоретически может зафиксировать аномалии/выбросы в выборке для обучения и на новых данных.

В теории его можно использовать для фильтрации исходной выборки и игнорирования сигналов при поступлении новых данных, если они будут сильно отличаться от тех, на которых было обучение.

Есть желание совместно разобраться в этом?

Подробней можно почитать, к примеру, тут.

На этапе определения биаса с учетом его изменчивости, надо тасовать. Для этого делается кросс-фитинг (аналог стабильности по Санычу). Изменчивость этого биаса может быть вообще нелинейной, поэтому через простые умозаключения эта проблема не решается. Я научился частично решать, но всегда хочется лучше.

Тоже смотрел в сторону аномалий, но пока козул более интересен.
 
Maxim Dmitrievsky #:
Забаньте уже этих пациентов, наконец )
Форум в помойку превращают.

Если я в двух постах превратил в помойку то Ты создал масштабный мусорник в котором руководишь.

Тогда давай по теме.

В каком временном диапазоне МО по твоему мнению способно качественно прогнозировать?

 
Maxim Dmitrievsky #:
На этапе определения биаса с учетом его изменчивости, надо тасовать. Для этого делается кросс-фитинг (аналог стабильности по Санычу). Изменчивость этого биаса может быть вообще нелинейной, поэтому через простые умозаключения эта проблема не решается. Я научился частично решать, но всегда хочется лучше.

Без детектирования причины не продуктивно использовать разные популярные методы. Поэтому хочется мерить изменчивость данных не моделями, а всё же отдельно взятыми предикторами с пониманием причины проявления изменения.

 
Maxim Dmitrievsky #:
Рот закрой

Я понимаю, что  с прогнозируемой возможностью у тебя проблемы, но чему тогда ты учишь людей по МО?

Допустим в автомобилестроении есть дороги на которые могут опираться МО и аппаратные средства, а на рынках за 0 баром чистая дорога на все стороны горизонта.

Если ТЫ думаешь сузить или расширить участок собачьего хвоста, то это даст тебе преимущество. Отнюдь.  

[Удален]  
Aleksey Vyazmikin #:

Без детектирования причины не продуктивно использовать разные популярные методы. Поэтому хочется мерить изменчивость данных не моделями, а всё же отдельно взятыми предикторами с пониманием причины проявления изменения.

Можно каждый отдельный так померить. Фантазии нет предела. Это просто матстат и МО, как бы как применишь то и получишь.

Пробуйте аномалии, это попроще. По козулу больше не буду объяснять не читавшим ничего.
 
Aleksey Vyazmikin #:

Без детектирования причины не продуктивно использовать разные популярные методы. Поэтому хочется мерить изменчивость данных не моделями, а всё же отдельно взятыми предикторами с пониманием причины проявления изменения.

Детектор важно правильно использовать. Это и есть основа движения.

П.с.

Детектором могут служить разные факторы, не обязательно технического характера но и в совокупности с ФА, новостей, слухов и др. 

Кому интересно подскажу в нужный момент конечно же бесплатно.)) 

 

Если какой-то пользователь не согласен с какой-то обсуждаемой теорией (или тематикой/спецификой ветки), и если это несогласие - на более чам один/три поста, то настоятельно рекомендую делать следующее:

  • Создать свою ветку.
  • В первом посте ветки - обозначить правила ветки (что обсуждается, и что - нет, и как обсуждается, и так далее).
  • Если все нормально - модераторы будут мониторить ветку согласно правилам ветки.

Я понимаю, что сделать неколько постов в очень популярной и раскрученной ветке - это легче, чем создать свою с нуля и сделать её популярной.
Но это единственный путь развивать тут разные аспекты, не "соприкасаясь друг с другом".
--------------------

Для информации.