Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3349

Новый комментарий
[Удален]  
Последние мои 2 статьи, на простом уровне и без нюансов, практически описывают все эти подходы.  Скажем, не описывают, но приближаются. Сейчас уточняю детали, чего они там наисследовали. Например, индуктивная от трансдуктивной конформности отличается только одним или двумя классификаторами, отдельно для каждой метки класса. Вторая лучше (точнее) оценивает постериор. А я использовал индуктивный метод. Еще там нужно переобучать модели с добавлением и выбрасыванием каждого семпла, для более точной оценки. Это очень дорого, но вроде как эффективно. Но можно брать простые и быстрые классификаторы. О чем я тоже писал, обучаясь на пнях.

Не вижу аплодисментов для моей гениальности



 

Привет!

Пробую разные пути.

И алгоритм NN+GA приносит плоды. Намного стабилен.

[Удален]  
Alexander Ivanov #:

Привет!

Пробую разные пути.

И алгоритм NN+GA приносит плоды. Намного стабилен.

Хочешь сказать, что ты круче меня?
[Удален]  

чтиво на вечер под водочку, оленинку и огурчик

развивая тему и пытаясь связать в голове подходы их разных МОшных дисциплин

A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
  • arxiv.org
Black-box machine learning models are now routinely used in high-risk settings, like medical diagnostics, which demand uncertainty quantification to avoid consequential model failures. Conformal prediction is a user-friendly paradigm for creating statistically rigorous uncertainty sets/intervals for the predictions of such models. Critically, the sets are valid in a distribution-free sense: they possess explicit, non-asymptotic guarantees even without distributional assumptions or model assumptions. One can use conformal prediction with any pre-trained model, such as a neural network, to produce sets that are guaranteed to contain the ground truth with a user-specified probability, such as 90%. It is easy-to-understand, easy-to-use, and general, applying naturally to problems arising in the fields of computer vision, natural language processing, deep reinforcement learning, and so on. This hands-on introduction is aimed to provide the reader a working understanding of conformal...
 
Maxim Dmitrievsky #:

чтиво на вечер под водочку, оленинку и огурчик

развивая тему и пытаясь связать в голове подходы их разных МОшных дисциплин

Приятного аппетита и мягкого похмелья)

Вроде, по сути очень похоже на probabilistic forecasting, хотя пишут что это разные вещи. Насколько понял пока, конформное больше заточено под классификацию, а вероятностное - под регрессию.

 
Maxim Dmitrievsky #:
Помню, вы где-то сравнивали макс. профит среди дц. А на конкретном графике какой алгоритм получения макс. профита использовали? Через оптимизацию или есть строгий алгоритм.

И однопроходный. Где-то на форуме.

[Удален]  
Aleksey Nikolayev #:

Приятного аппетита и мягкого похмелья)

Вроде, по сути очень похоже на probabilistic forecasting, хотя пишут что это разные вещи. Насколько понял пока, конформное больше заточено под классификацию, а вероятностное - под регрессию.

Спасибо :) да, похоже. Пишут, что неважно классификация или регрессия. Как получать оценки для предсказаний через сравнение на валидационном сете понятно (в случае "индуктивного", то есть более быстрого и простого способа). С "Трансдуктивным" тоже более-менее понятно, но он очень медленный, поскольку требует обучить столько моделей, сколько примеров в выборке. Есть еще промежуточные варианты по типу CV, который я собственно сам делал.

Не совсем понял из статьи как потом готовятся финальные модели, что куда подставляется. Опять через корректировку весов модели, ее калибровку (sample weighting) что ли, как в козуле. Или в модель подставляются уже наиболее вероятные метки, после оценки. Я вот просто вторую модель использовал для этого, которая запрещает торговать на плохих примерах.

 
Maxim Dmitrievsky #:

чтиво на вечер под водочку, оленинку и огурчик

развивая тему и пытаясь связать в голове подходы их разных МОшных дисциплин

для медицины...

там графики ползают между двумя параллельными линиями,

размах которых ни о чем по сравнению с финансовыми рынками

---

градиентный спуск выкурил в выходные

можно и без МО сделать на раз-два

т.е. приближение к экстремуму:

х0-х1

х0-х2

х0-х3

и т.д.

в этом что то есть конечно

[Удален]  
Renat Akhtyamov #:

для медицины...

там графики ползают между двумя параллельными линиями,

размах которых ни о чем по сравнению с финансовыми рынками

---

градиентный спуск выкурил в выходные

можно и без МО сделать на раз-два

т.е. приближение к экстремуму:

х0-х1

х0-х2

х0-х3

и т.д.

в этом что то есть конечно

Это бэнчи. Для своих задач надо адаптировать.
Рена после очередного «инсайта» https://youtube.com/shorts/jQzdLnb9bnI?si=TvKoat4ArRONyjDP
 
Maxim Dmitrievsky

Вы всегда писали, что ценовые приращения не имеют никакой предсказательной способности. Но все равно продолжаете только их использовать. Почему?)

1...334233433344334533463347334833493350335133523353335433553356...3745
Новый комментарий