Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3141
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 пару графиков с ООС можно?
Для нового учителя нет.
Пытаюсь решить проблему огрубления значений предикторов. Как мне кажется ошибка классификации может возникать, если при предсказании значение предиктора чуть-чуть отличается от значения, на котором обучалась модель. Когда-то пытался преобразовать все предикторы в номинальный вид причем с тем же учителем, но это не дало результата. Правда количество значений номинальных переменных было единицы. Может надо несколько сотен? Работаю, но мешает много других интересных вопросов.
Как то долго ищете, особенно если поиск несколько секунд
Да, долго, правда не спешу, но все равно долго.
Проблема в том, что предсказательная способность предикторов это только одна из фишек. А их много в моем препроцессинге и каждая требует набора статистики для обоснования.
Выше назвал еще одну проблему, для которой не могу найти решения очень давно.
Для нового учителя нет.
Пытаюсь решить проблему огрубления значений предикторов. Как мне кажется ошибка классификации может возникать, если при предсказании значение предиктора чуть-чуть отличается от значения, на котором обучалась модель. Когда-то пытался преобразовать все предикторы в номинальный вид причем с тем же учителем, но это не дало результата. Правда количество значений номинальных переменных было единицы. Может надо несколько сотен? Работаю, но мешает много других интересных вопросов.
"
Идеальная модель должна иметь низкое смещение и низкую дисперсию. Однако, в реальности, существует так называемый "trade-off" между смещением и дисперсией. Увеличение сложности модели (например, добавление большего количества параметров) может уменьшить смещение, но увеличить дисперсию. И наоборот, упрощение модели может уменьшить дисперсию, но увеличить смещение.
"
Гипотетически можно выгнуть коленвал до удовлетворительного уровня и подточить зазоры, но это далеко не поедет, потому что уже не "by design"."
Идеальная модель должна иметь низкое смещение и низкую дисперсию. Однако, в реальности, существует так называемый "trade-off" между смещением и дисперсией. Увеличение сложности модели (например, добавление большего количества параметров) может уменьшить смещение, но увеличить дисперсию. И наоборот, упрощение модели может уменьшить дисперсию, но увеличить смещение.
"
Гипотетически можно выгнуть коленвал до удовлетворительного уровня и подточить зазоры, но это далеко не поедет, потому что уже не "by design".Почему-то часто забывают про третье слагаемое - неустранимую ошибку. Если она достаточно большая (а мне кажется, что у нас она немалая по причине близости цен к СБ), то она может быть и поважнее первых двух.
В любом случае, это очень важные вещи, которые можно всунуть в один вопрос: А какой вообще максимум информации можно вытащить из имеющейся у нас выборки цен (и прочих доступных данных)?
Почему-то часто забывают про третье слагаемое - неустранимую ошибку. Если она достаточно большая (а мне кажется, что у нас она немалая по причине близости цен к СБ), то она может быть и поважнее первых двух.
В любом случае, это очень важные вещи, которые можно всунуть в один вопрос: А какой вообще максимум информации можно вытащить из имеющейся у нас выборки цен (и прочих доступных данных)?
поэтому не надо пытаться предсказывать все случаи, а вытащить те, что предсказываются через мо
это называется "гетерогенный тритмент эффект", что можно сравнить не с выгибанием коленвала, а поиском рабочих деталей и выбрасыванием нерабочих
тогда признаки X становятся контекстными и не являются "предикторами" для Y в классическом понимании. Поэтому в козуле их называют "ковариатами".
Итогом будет ответ на Ваш вопрос (смотря в чем мерить) по поводу максимума информации. Обычно мерят в АТЕ или CATE.
Можно всунуть в один вопрос: А какой вообще максимум информации можно вытащить из имеющейся у нас выборки цен (и прочих доступных данных)?
Почему-то часто забывают про третье слагаемое - неустранимую ошибку. Если она достаточно большая (а мне кажется, что у нас она немалая по причине близости цен к СБ), то она может быть и поважнее первых двух.
В любом случае, это очень важные вещи, которые можно всунуть в один вопрос: А какой вообще максимум информации можно вытащить из имеющейся у нас выборки цен (и прочих доступных данных)?
Это вопрос диссертабельных исследований, а не создания робота, который косит бабло.
Нам не нужен максимум информации, нам нужен достаточный минимум. Поэтому можно ограничиться следующим:
1. Создать модель, которая на этапе классификации дает ошибку классификации менее 20%. Причем следует понимать, что "модель" включает полный препроцессинг предикторов, а также инструменты по оценке модели.
2. Вставить модель в советник, который дает, как минимум, такое же соотношение убыточных/прибыльных сделок. Если профит фактор выше 4, то осталось сделать еще один шаг.
3. Убедиться на ООС, что ничего не поменялось, причем понимать причины такой стабильности на ООС, которая кроется в препроцессинге, а не в модели.
А то, какие ошибки попали в 20% - разве это интересно?
не проще ли классифицировать ошибки?
чем больше ошибок найдем, тем более качественнее модель останется. не максимизация информации, а качественизация (пардон за каламбур)
Я думаю что снало нужно поставить задачу грамотно.
На мой взгляд, вариант Максима выше очень неплох. Важна, как справедливо заметил Сан Саныч, не сама по себе информация, а то как она помогает умножать депозит)
Если для простоты считать тритментом торговую стратегию, а Y - прибыль, то определение (ТС максимизирующая матожидание прибыли) становится вполне даже банальным.
Это вопрос диссертабельных исследований, а не создания робота, который косит бабло.
Нам не нужен максимум информации, нам нужен достаточный минимум. Поэтому можно ограничиться следующим:
1. Создать модель, которая на этапе классификации дает ошибку классификации менее 20%. Причем следует понимать, что "модель" включает полный препроцессинг предикторов, а также инструменты по оценке модели.
2. Вставить модель в советник, который дает, как минимум, такое же соотношение убыточных/прибыльных сделок. Если профит фактор выше 4, то осталось сделать еще один шаг.
3. Убедиться на ООС, что ничего не поменялось, причем понимать причины такой стабильности на ООС, которая кроется в препроцессинге, а не в модели.
А то, какие ошибки попали в 20% - разве это интересно?
Одно другому никак не мешает. Очевидно, максимум не только недостижим, но даже и не вычислим. Но можно попробовать его хоть как-то оценить и хотя бы прикидочно сравнить со спредом, например. Имею в виду вариант максимума вроде того, что предлагает Максим.