Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3379
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
Я не воспринимаю этот рейтинг за рейтинг, потому что непонятно кем написано, просто скопированы алгоритмы на mql и подогнаны к нескольким функциям. А в реальности формы оптимизируемых поверхностей очень разнообразны и могут быть нюансы.
У него либо алгоритмы реализованы неверно либо експеримент производился неверно или и то и другое
В МО фитнес-функция используется для обучения модели (подбора параметров) посредством оптимизации. Для оценки полученной модели используется метрика (метрики). Часто метрика НЕ СОВПАДАЕТ с фитнес-функцией. С математической точки зрения, это означает, что в МО решается задача МНОГОКРИТЕРИАЛЬНОЙ оптимизации, а не обычная однокритериальная.
Ещё существенное отличие от обычной оптимизации - частое отсутствие фиксированного набора праметров оптимизации. Даже для обычного дерева это уже так. С математической тчки зрения, это приводит к задаче оптимизации в ФУНКЦИОНАЛЬНОМ ПРОСТРАНСТВЕ, вместо обычной в числовом пространстве.
Оба этих пунктов делают задачи МО несводимыми к обычной оптимизации.
В МО фитнес-функция используется для обучения модели (подбора параметров) посредством оптимизации. Для оценки полученной модели используется метрика (метрики). Часто метрика НЕ СОВПАДАЕТ с фитнес-функцией. С математической точки зрения, это означает, что в МО решается задача МНОГОКРИТЕРИАЛЬНОЙ оптимизации, а не обычная однокритериальная.
Ещё существенное отличие от обычной оптимизации - частое отсутствие фиксированного набора праметров оптимизации. Даже для обычного дерева это уже так. С математической тчки зрения, это приводит к задаче оптимизации в ФУНКЦИОНАЛЬНОМ ПРОСТРАНСТВЕ, вместо обычной в числовом пространстве.
Оба этих пунктов делают задачи МО несводимыми к обычной оптимизации.
Есть целый отдельный класс алгоритмов многокритериальной оптимизации. Но, при должном понимании, многокритериальная сводится к дополнительным граничным условиям и отдельным оценкам.
Функциональное пространство так же требует оценки. Всё всегда требует оценки.
В МО фитнес-функция используется для обучения модели (подбора параметров) посредством оптимизации. Для оценки полученной модели используется метрика (метрики). Часто метрика НЕ СОВПАДАЕТ с фитнес-функцией. С математической точки зрения, это означает, что в МО решается задача МНОГОКРИТЕРИАЛЬНОЙ оптимизации, а не обычная однокритериальная.
Ещё существенное отличие от обычной оптимизации - частое отсутствие фиксированного набора праметров оптимизации. Даже для обычного дерева это уже так. С математической тчки зрения, это приводит к задаче оптимизации в ФУНКЦИОНАЛЬНОМ ПРОСТРАНСТВЕ, вместо обычной в числовом пространстве.
Оба этих пунктов делают задачи МО несводимыми к обычной оптимизации.
Спасибо за подробное объяснение. Все же был некий контекст поднятия темы ФФ. Вот он.
Форум по трейдингу, автоматическим торговым системам и тестированию торговых стратегий
Машинное обучение в трейдинге: теория, модели, практика и алготорговля
Maxim Dmitrievsky, 2024.01.10 19:27
Ну через переоптимизацию с проверкой на OOS можно найти :) что является самым простым случаем волк форварда Или кросс-валидации с одним фолдом.Есть целый отдельный класс алгоритмов многокритериальной оптимизации. Но, при должном понимании, многокритериальная сводится к дополнительным граничным условиям и отдельным оценкам.
Функциональное пространство так же требует оценки. Всё всегда требует оценки.
Упомянутые мною особенности работают не по очереди, а одновременно, поэтому не знаю, какие вы там границы собрались строить в функциональных пространствах.
Было бы полезнее, если бы все участники ветки были знакомы с основами современного МО. Как неплохой вариант, по учебнику от ШАД.
Упомянутые мною особенности работают не по очереди, а одновременно, поэтому не знаю, какие вы там границы собрались строить в функциональных пространствах.
Да, речь именно про одновременную работу отдельных компонентов в многофункциональных пространствах. Оцениваться могут как компоненты по отдельности в многофункциональном пространстве так все вместе - метаоценками, или по другому - интегральными оценками. Одно другому не мешает. Любые этапы МО требуют оценок, для этого существуют множество специальных метрик, максимизация которых есть суть оптимизации.
1) В МО фитнес-функция используется для обучения модели (подбора параметров) посредством оптимизации. Для оценки полученной модели используется метрика (метрики). Часто метрика НЕ СОВПАДАЕТ с фитнес-функцией. С математической точки зрения, это означает, что в МО решается задача МНОГОКРИТЕРИАЛЬНОЙ оптимизации, а не обычная однокритериальная.
2) Ещё существенное отличие от обычной оптимизации - частое отсутствие фиксированного набора праметров оптимизации. Даже для обычного дерева это уже так. С математической тчки зрения, это приводит к задаче оптимизации в ФУНКЦИОНАЛЬНОМ ПРОСТРАНСТВЕ, вместо обычной в числовом пространстве.
Оба этих пунктов делают задачи МО несводимыми к обычной оптимизации.
1)
В чем противоречие ?
подбора параметров == поиск параметров в алгоритме оптимизации
оценка метрики модели == ФФ с оценкой акураси например
Что вам тут не сходиться?
2)
Можете по подробней в чем вы видите проблему? Я например не вижу
Спасибо за подробное объяснение. Все же был некий контекст поднятия темы ФФ. Вот он.
Видел ваш вопрос, но не могу сказать ничего вразумительного по его поводу.
И переводчик с языка Максима из меня не очень)
Да, речь именно про одновременную работу отдельных компонентов в многофункциональных пространствах. Оцениваться могут как компоненты по отдельности в многофункциональном пространстве так все вместе - метаоценками, или по другому - интегральными оценками. Одно другому не мешает. Любые этапы МО требуют оценок, для этого существуют множество специальных метрик, максимизация которых есть суть оптимизации.