Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3130
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
Отчасти правильно говорите, только я не понимаю философию всё перетасовать - она безусловно работает, если как раз нет безвозвратного дрейфа, к примеру при цикличности.
Для начала я хотел бы классифицировать разные виды дрейфа, а потом уже по отдельности с ними работать - если известна причина, то можно и думать о способе её устранения. И если не устранения, то обнаружения (детекции).
рандомизация убирает смещение между тестовой и контрольной, после этого оценивается импакт предиктора
если не убрать смещение перед этим, будет ассоциативная связь, а не причинно-следственная.
А можно весь этот чудо - контент в отдельную тему?
я закончил
Можешь показать что то подобное?
Если это настолько обычно..
ну наконец то!
итак, начало есть
дальше что?
А что тут такого сложного? Прыгать между масштабами это мы проходили, здесь нет секретов. Более сложные вещи ищу и картинка с одной лишь сделкой не раскрывает суть всей картины ну уж никак.
понятно все..
писать буковки конечно не сложно
понятно все..
писать буковки конечно не сложно
Фриланс мой видел?)))
Фриланс мой видел?)))
по какой методике можно оценить качество сделок видя фриланс профиль?
рандомизация убирает смещение между тестовой и контрольной, после этого оценивается импакт предиктора
если не убрать смещение перед этим, будет ассоциативная связь, а не причинно-следственная.
Золотой стандарт
На предыдущем занятии мы рассмотрели, почему и чем ассоциация отличается от причинно-следственной связи. Мы также увидели, что требуется для того, чтобы ассоциация стала причинно-следственной связью.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} СМЕЩЕНИЕ ATT
Напомним, что ассоциация становится причинно-следственной связью, если нет предвзятости. Смещения не будет, если E[Yo T = 0] = E[Yo T = 1]. Другими словами, ассоциация будет являться причинно-следственной связью, если обработанный и контрольный пациенты равны или сопоставимы, за исключением их лечения. Или, говоря более техническим языком
Выше перевод картинки.
Для начала - я не могу понять, в какой точке Вы хотите разделять выборку на две подвыборки.
Далее - видимо тут особая терминология, причинно-следственная связь - это непосредственное влияние на результат - пожалуй, даже уже не вероятностная закономерность. Ассоциативная связь - это либо активатор причины, либо сопутствующий признак, и как правило имеет вероятностное значение.
Формулу я не понимаю - изложите человеческим языком суть?
Но, речь в этих методах (АпЛифт) идёт об оценке фактора, который исключительно повлиял на целевую. Я так понимаю, оценивается степень влияния. И, допустим, в нашем случае мы такой фактор не знаем и перебираем всё подряд - на выходе получаем какие то измерения. И, что с ними делать предлагаете? Плохие показатели исключить?
Как это использовать при постепенном дрейфе данных?
Не исключаю, может, Вы нечто гениальное придумали, но я пока не уловил ход мысли.
Золотой стандарт
На предыдущем занятии мы рассмотрели, почему и чем ассоциация отличается от причинно-следственной связи. Мы также увидели, что требуется для того, чтобы ассоциация стала причинно-следственной связью.
E|Y|T = 1] - E[Y|T = 0] = E[Y - Yo|T = 1] + {E[Yo|T = 1] - E[Yo|T = 0]} СМЕЩЕНИЕ ATT
Напомним, что ассоциация становится причинно-следственной связью, если нет предвзятости. Смещения не будет, если E[Yo T = 0] = E[Yo T = 1]. Другими словами, ассоциация будет являться причинно-следственной связью, если обработанный и контрольный пациенты равны или сопоставимы, за исключением их лечения. Или, говоря более техническим языком
Выше перевод картинки.
Для начала - я не могу понять, в какой точке Вы хотите разделять выборку на две подвыборки.
Далее - видимо тут особая терминология, причинно-следственная связь - это непосредственное влияние на результат - пожалуй, даже уже не вероятностная закономерность. Ассоциативная связь - это либо активатор причины, либо сопутствующий признак, и как правило имеет вероятностное значение.
Формулу я не понимаю - изложите человеческим языком суть?
Но, речь в этих методах (АпЛифт) идёт об оценке фактора, который исключительно повлиял на целевую. Я так понимаю, оценивается степень влияния. И, допустим, в нашем случае мы такой фактор не знаем и перебираем всё подряд - на выходе получаем какие то измерения. И, что с ними делать предлагаете? Плохие показатели исключить?
Как это использовать при постепенном дрейфе данных?
Не исключаю, может, Вы нечто гениальное придумали, но я пока не уловил ход мысли.
можете у чатгпт спрашивать расшифровку формул, если символы непонятны какие-то.
Y|T = 1 исходы тестовой группы (с тритментом)
Y|T = 0 - контрольной (без)
Y - метка класса, Y0,Y1 - метки классов без тритмента и с ним
T - тритмент внесли в модель ( в т. ч. предиктор) или не внесли (1;0)
E - матожидание
Разделение в любой точке, как делите на тест и трейн
Если не делаете перемешивание, то получается смещенная оценка ATE+bias
ATE - средний лечебный эффект от воздействия
сонный, могу буквы местам перепутать, но логика должна быть понятной
кстати, bard от Гугла больше нравится чем gpt. Он умеет гуглить и бесплатный.
но поддерживает только англ язык и vpn сша или англии, в других странах не работает.
ну и в принципе кто такие openAI и кто такие гуглы. Наверное разные весовые категории.