Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Вы ребята ещё ничего не показали дельного, только блабла. Ботаны
Продолжайте вести наблюдение.
Квантовые таблицы - это разбиение предиктора на границы/диапазоны, которые уже потом участвуют в обучении. Да ранее уже много раз тут об этом писал.
Вся суть же в том, что квантуем, как и с какой целью.
Вся суть же в том, что квантуем, как и с какой целью.
Пробовал как-то квантование по участкам монотонности эквити, когда вместо времени используется предиктор. Ничего особенно хорошего не увидел.
А, понял. Вроде, квантование фичей только для ускорения обучения используется. Или у вас прямо жёсткое? Я просто сторонник классического подхода плюс немного своих извращений
Ускорение обучения - это одно из достоинств, но ещё есть и эффект агрегации схожих состояний предиктора. Грубо говоря, я участок разбиения рассматриваю как отдельный бинарный предиктор, что позволяет убрать шум из базового предиктора.
Кроме эффекта улучшения обучения получается снизить число деревьев в модели, дающих схожий результат, а значит снизить шум модели.
Экспериментирую с жесткими рамочными таблицами, это когда разбиение происходит исходя не из данных, а по заданным критериям, к примеру уровни Фибоначчи...
Вся суть же в том, что квантуем, как и с какой целью.
Так я и написал - что с целью выявить устойчивую закономерность, дающую статистическое преимущество на конкретном участке. А квантуем предикторы - любые.
А вот "как" лучше это делать - вопрос открытый - пока только перебором заготовленных таблиц, сделанных по эмпирическим предположениям или статистическим разбиением алгоритма CatBoost.
На рисунке 3 "кванта" - скорей всего выбран средний диапазон, на котором есть какое то стат преимущество.
Так я и написал - что с целью выявить устойчивую закономерность, дающую статистическое преимущество на конкретном участке. А квантуем предикторы - любые.
А вот "как" лучше это делать - вопрос открытый - пока только перебором заготовленных таблиц, сделанных по эмпирическим предположениям или статистическим разбиением алгоритма CatBoost.
На рисунке 3 "кванта" - скорей всего выбран средний диапазон, на котором есть какое то стат преимущество.
По моим представлениям, проблема с коллинеарностью (корреляцией) почти всех предикторов. Ещё есть проблема комбинаторная - если предикторов много, то квантов может получиться чересчур много. Возможно, стоит понижать сначала размерность посредством PCA или PLS.
Кто нибуть пробовал прикрутить парадокс монтихола к трейдингу/принятия решений ??
Там весь парадокс в том, что задача не до конца формализована математически. Ответ получается разный, в зависимости от того каким именно способом проводится полная формализация.
В смысле пользы - разве что как поучительный пример того, что для одного реального явления могут быть разные мат-е модели дающие разный ответ.
По моим представлениям, проблема с коллинеарностью (корреляцией) почти всех предикторов. Ещё есть проблема комбинаторная - если предикторов много, то квантов может получиться чересчур много. Возможно, стоит понижать сначала размерность посредством PCA или PLS.
Выше писал, что исключаю предикторы, имеющие схожий сигнал на выборке, т.е. корреляция между квантовыми предикторами снижается, хотя я использую свой метод группировки и выбор лучшего результата из группы похожих.
Что касается комбинаторной проблемы - в каком именно месте Вы её видите? В выборке для обучения? Если так, то теоретически такое может быть, и возможно есть смысл тут применять РСА, но не раньше, чем будет готова окончательная выборка. Реально пока не столкнулся с такой проблемой, напротив, предикторов оказывается меньше, чем в изначальной выборке.