Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2589
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
Ну как бы это уже вопрос отбора моделей, да, как при оптимизации. Можно придумать свои критерии субъективные.
Неплохо если есть пачка моделей немного различающихся по параметрам, то есть допускающих разброс, но они все проходят ООС. Но это не панацея естественно.
Алексей, а есть ли методики по восстановлению поверхности оптимизации?
Дополнить метрики качества модели для недостающих входящих, условно, наборов значений гиперараметров? Ну бустинг простой обучить. А для чего это может понадобиться?
Дополнить метрики качества модели для недостающих входящих, условно, наборов значений гиперараметров? Ну бустинг простой обучить. А для чего это может понадобиться?
Алексей, а есть ли методики по восстановлению поверхности оптимизации?
В пространстве параметров модели? Оно ж имеет огромную размерность. Такое возможно разве что для совсем простых моделей с малым числом предикторов.
Не очень понятно, как вообще можно построить поверхность в пространстве огромной размерности. У нас просто точек может быть очень мало в сравнении с этой размерностью. Разве что какими-нибудь способами визуализации с понижением размерностей типа PCA и тд, но смысл неясен.
Ну как бы это уже вопрос отбора моделей, да, как при оптимизации. Можно придумать свои критерии субъективные.
Неплохо если есть пачка моделей немного различающихся по параметрам, то есть допускающих разброс, но они все проходят ООС. Но это не панацея естественно.
Ранее у вас была идея совмещения стандартных метрик с кастомными, которую я понял так, что обучение моделей идёт по стандартным, а отбор по кастомным.
Ранее у вас была идея совмещения стандартных метрик с кастомными, которую я понял так, что обучение моделей идёт по стандартным, а отбор по кастомным.
да, по факту комбинированный критерий лучше
обучение по стандартным, но есть так называемые Evaluation metrics типа acсuracy или roc, остановка бусинга происходит по ним, хотя обучается он через минимизацию логлосса. Затем отбор по кастомным своим.
затем еще можно погонять модели в оптимизаторе МТ5 для подстройки параметров стоп лосса и тп, и еще много всякой неблагодарной возни :)
В пространстве параметров модели? Оно ж имеет огромную размерность. Такое возможно разве что для совсем простых моделей с малым числом предикторов.
Не очень понятно, как вообще можно построить поверхность в пространстве огромной размерности. У нас просто точек может быть очень мало в сравнении с этой размерностью. Разве что какими-нибудь способами визуализации с понижением размерностей типа PCA и тд, но смысл неясен.
затем еще можно погонять модели в оптимизаторе МТ5 для подстройки параметров стоп лосса и тп
А через что это делать? Или речь о моделях написанных на MQL5?
А через что это делать? Или речь о моделях написанных на MQL5?