Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3357
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 же, было множество попыток, правда я не знаю их успешных публичных результатов. Самое простое, что делалось - трактовать выход единичного нейрона как вероятность селл/бай в диапазоне [-1.0;1.0], ничего хорошего из этого не получилось, применение порога не помогает.
Другое дело, что можно применять распределение выходов нейрона как вероятность, но я не видел что бы это кто-то делал. К примеру, при одних и тех же сигналах селл/бай выходного нейрона сети при обучении, распределение значений может сильно отличаться, соответственно и поведение на OOS будет разным.
К тому же, я давно показывал графики обучения и поведения на OOS, где линия идёт не переламываясь, конечно без спреда, причем на вход подавались приращения простых машек с разных тайфреймов, элементарщина. А тут вот некоторые гении вдруг сделали "гениальный" вывод, что спред влияет на поведение на OOS.
Всё же, классификация - это относительно простой частный случай, в котором распределение выхода дискретно и потому всё относительно легко сводится к обычной "точечной", числовой задаче МО.
Интересен более широкий подход, с моделями для которых выходом служит не число, а любое (в разумных пределах, конечно) распределение. Примером может служить МО используемое в теории надёжности (где изучается распределение срока работы) или в вероятностном прогнозе погоды (когда строится вероятностное распределение для возможного количества осадков, например).
...
Интересен более широкий подход, с моделями для которых выходом служит не число, а любое (в разумных пределах, конечно) распределение. Примером может служить МО используемое в теории надёжности (где изучается распределение срока работы) или в вероятностном прогнозе погоды (когда строится вероятностное распределение для возможного количества осадков, например).
Формирование распределения вероятности во время обучения, а не после.
А после обучения какой вообще смысл что-то делать? Новые знания у гипотетического машинного дурачка не появятся, если ему подкручивать отвёрткой мозги уже после обучения.
Пример уже описал выше. Есть классификатор, который проходит оос, но доходности распределены 60/40. Вам это не нравится, вы поднимаете порог принятия решений, но ситуация не меняется, а иногда становится еще хуже. Вы чешете репу, почему так.
Дано объяснение, почему так: потому что в случае реальной оценки вероятностей ситуация должна меняться.
Дано решение.
Как Вам удается находить таких дебилов как этот Карпов?
У человека каша в голове. Человек НЕ способен последовательно изложить мысль. Просто жуть!
С первых минут просто утверждает, что классификатор выдает НЕ вероятность. А где взять вероятность, не используя то, что выдает классификатор?
Как Вам удается находить таких дебилов как этот Карпов?
У человека каша в голове. Человек НЕ способен последовательно изложить мысль. Просто жуть!
Ну вас приглашали тоже работать в Англию с вашей кашей? )
чел вообще не парится, у него все хорошо.
Не уловить мысль != неправильно ее изложить. Это люди несколько другой формации, наверное в этом проблема.
Давно уже очевидно, что тема нуждается в новой крови. Я уже тоже олдфаг. Придут новые и покажут, если форум не заплесневеет в конец, конечно.
Самое страшное, что я понимаю какие изменения в мозгу происходят с возрастом, и почему люди рассуждают так, а не иначе. Эта очевидность порой вымораживает, но от нее никуда не уйти.
Ну вас приглашали тоже работать в Англию с вашей кашей? )
чел вообще не парится, у него все хорошо.
Не уловить мысль != неправильно ее изложить. Это люди несколько другой формации, наверное в этом проблема.
Давно уже очевидно, что тема нуждается в новой крови. Я уже тоже олдфаг. Придут новые и покажут, если форум не заплесневеет в конец, конечно.
Самое страшное, что я понимаю какие изменения в мозгу происходят с возрастом, и почему люди рассуждают так, а не иначе. Эта очевидность порой вымораживает, но от нее никуда не уйти.
Причем тут Англия?
Вы, вроде квалифицированный человек, а постоянно тянет на помойку.
Крайне редко возражаете по существу...
Причем тут Англия?
Вы, вроде квалифицированный человек, а постоянно тянет на помойку.
Крайне редко возражаете по существу...
У классификаторов, таких как метод опорных векторов и деревья принятия решений, есть функция predict_proba, потому что они могут предоставлять оценки вероятностей классов на основе своих внутренних характеристик. Однако, эти оценки вероятностей могут быть не совсем точными или не отражать реальную уверенность классификатора.
Например, для метода опорных векторов функция predict_proba может вернуть оценки вероятностей на основе расстояния до разделяющей гиперплоскости, но эти значения могут быть искажены из-за особенностей самого метода.
Для деревьев принятия решений функция predict_proba может вычислять вероятности классов на основе количества объектов каждого класса в листовых узлах, но эти вероятности могут быть не совсем точными из-за структуры дерева.
Таким образом, хотя эти классификаторы имеют функцию predict_proba, вероятности, которые они предоставляют, могут быть менее достоверными по сравнению с методами, основанными на вероятностной модели, такими как наивный байесовский классификатор или логистическая регрессия.
Дарю небольшой эксперимент для <удалено модератором>.
Обучил некоторую модель, не важно какую, без калибровки она не улучшает свои свойства при увеличении порога. Сделок становится меньше, профит фаткор не растет.
Откалибровал доступным способом, запустил с разными порогами. Калибровка была после 2015 года, все что раньше - ООС.
Способ кастомный, сам придумал. Потом сравню с общеизвестными, потомоу что есть небольшой завтык их экспорта в МТ5, потом решу.
порог 0.5
0.6
0.7
Протсой пример что калибровка даже изначально слабых моделей, дает некоторый результат.
ЧТД