Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3073

Новый комментарий
 
fxsaber #:

Сформулируйте еще раз свой вопрос.

Если вы торговали на реальном Форексе, не расшыряют ли там спред в ночное время около часа ночи? Также как на обычных кухнях. 
 
mytarmailS #:
Если вы торговали на реальном Форексе, не расшыряют ли там спред в ночное время около часа ночи? Также как на обычных кухнях. 

.

 
Комментарии, не относящиеся к этой теме, были перенесены в "Не по теме".
[Удален]  
Valeriy Yastremskiy #:

Да, М5)

Счас повторю) Хорошо есть енидеск и доступ к рабочему компу))))

270 долларов. и лучший сл 11500, в общем 5200 сл и 350 тп примерно такой же результат.

Может спред большой. У меня профит больше, в целом кривая такая же. Немногого неровно обучился последние годы, да. А предыдущие лучше.

 
Andrey Dik #:
как бы это всё выглядело, если бы мир не был гладким...
интересно, но прямо сходу возникают множество вопросов, да, все "существа" слепы в плане принятия следующего решения, но, если известно (видно) решение лучше, то и пропадает смысл принятия решения - исчезает свобода воли? странная логическая заковыка.
существует множество стратегий поиска, открытых или ещё нет, но известно, что ориентирование на известный обществу оптимум не всегда позволяет найти решение лучше (снова парадокс ловушки коллективного мышления).

На рынке этот оптимум постоянно меняется - как рельеф планеты после землетрясения... и значит наша задача предсказывать когда оно произойдёт, или после, но главное момент когда нужно искать новый оптимум...

[Удален]  
Бумага со сравнением разных методов. В дополнение к роликам и книге. В ней много ссылок на другие работы.
Этого нет ни в разделах статистики, ни в книгах по МО. Вроде как в эконометрике должно было быть, но тоже нет. Как-то особняком стоит.
Один из исследователей (который придумал double machine learning, в 2018 вроде) - наш эмигрант Черножуков. Его работы тоже на англ. яз. Прадо тоже перенял свои мета модели оттуда, судя по всему. Но очень поверхностно.

 
Maxim Dmitrievsky #:
Бумага со сравнением разных методов. В дополнение к роликам и книге. В ней много ссылок на другие работы.
Этого нет ни в разделах статистики, ни в книгах по МО. Вроде как в эконометрике должно было быть, но тоже нет. Как-то особняком стоит.
Один из исследователей (который придумал double machine learning, в 2018 вроде) - наш эмигрант Черножуков. Его работы тоже на англ. яз. Прадо тоже перенял свои мета модели оттуда, судя по всему. Но очень поверхностно.

Из этой картинки

 Для МО последовательная выборка недопустима - только случайная выборка, причем не просто случайная.

 
СанСаныч Фоменко #:

Из этой картинки

 Для МО последовательная выборка недопустима - только случайная выборка, причем не просто случайная.

Maxim Dmitrievsky #:
Бумага со сравнением разных методов. В дополнение к роликам и книге. В ней много ссылок на другие работы.
Этого нет ни в разделах статистики, ни в книгах по МО. Вроде как в эконометрике должно было быть, но тоже нет. Как-то особняком стоит.
Один из исследователей (который придумал double machine learning, в 2018 вроде) - наш эмигрант Черножуков. Его работы тоже на англ. яз. Прадо тоже перенял свои мета модели оттуда, судя по всему. Но очень поверхностно.

Замечательная статья!

Как понял приложения, результат классификации зависит не только от качества исходных данных, но и от того как формируем набор обучения и оценки. И еще от чего-то, чего пока не понял.

[Удален]  
СанСаныч Фоменко #:

Замечательная статья!

Как понял приложения, результат классификации зависит не только от качества исходных данных, но и от того как формируем набор обучения и оценки. И еще от чего-то, чего пока не понял.

Хе-хе. Посмотрите еще видосы до этого, может прояснит картину. Смысл в том, чтобы найти такие семплы в данных, допустим X c вектором значений фичей W, которые максимально хорошо реагируют на тритмент (обучение модели в нашем случае) и выделить их в класс "торговать", когда остальных лучше не трогать, "не торговать", поскольку они плохо реагируют на обучение (на новых данных модель ошибается при включении их в тритмент группу). В маркетинге это примеры с пользователями. Когда на одну выборку пользователей рекламная кампания будет воздействовать, а на других бюджет рекламной кампании использовать нецелесообразно.

Я понимаю это таким образом в контексте ТС.

 
Maxim Dmitrievsky #:

Хе-хе. Посмотрите еще видосы до этого, может прояснит картину. Смысл в том, чтобы найти такие семплы в данных, допустим X c вектором значений фичей W, которые максимально хорошо реагируют на тритмент (обучение модели в нашем случае) и выделить их в класс "торговать", когда остальных лучше не трогать, "не торговать", поскольку они плохо реагируют на обучение (на новых данных модель ошибается при включении их в тритмент группу). В маркетинге это примеры с пользователями. Когда на одну выборку пользователей рекламная кампания будет воздействовать, а на других бюджет рекламной кампании использовать нецелесообразно.

Я понимаю это таким образом в контексте ТС.

В Вашем понимании стойкий запах детерминированности, а в статье - это апофеоз случайности да еще на несбалансированных данных. Никакого отбора сэмплов, все наоборот. Рекомендуется  X-learner который 

first estimates the two response functions µ(x, 1) and µ(x, 0). It then uses these estimates to impute the unobserved individual treatment effects for the treated, ˜ξ 1 i , and the control, ˜ξ 0 i . The imputed effects are in turn used as pseudo-outcomes to estimate the treatment effects in the treated sample, τ (x, 1), and the control sample, τ (x, 0), respectively. The final CATE estimate τ (x) is then a weighted average of these treatment effect estimates weighted by the propensity score, e(x). Thus the X-learner additionally uses the information from the treated to learn about the controls and vice-versa in a Cross regression style, hence the X term in its naming label.

Ничего похожего на отбор "хорошего".

1...306630673068306930703071307230733074307530763077307830793080...3745
Новый комментарий