Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3570

Новый комментарий
[Удален]  
Aleksey Vyazmikin #:

На моё сообщение, что раньше я воспринимал НЛП только в одном смысле и не верно понимал отсыл от Вас к НЛП, вы выдвинули предположение, что я путаю понятия, вот я и не понял этого предположения. Допустил, что Вы именно раньше и говорили об НЛП( neuro-linguistic programming ), поэтому намекнул, что я не телепат и не могу понять, о чём всё же шла тогда речь...

Тогда это когда? Если про вашу манеру общения, то что-то такое было, тогда первый вариант конечно.
 
Maxim Dmitrievsky #:
Тогда это когда? Если про вашу манеру общения, то что-то такое было, тогда первый вариант конечно.

Значит я верно всё понимал и правильно реагировал :)

 
Свежая и вроде бы интересная статья на тему МО и нестационарность.
[Удален]  
Aleksey Nikolayev #:
Свежая и вроде бы интересная статья на тему МО и нестационарность.
Ну по сути сводится к выбору режима рынка и добавлению макропоказателей к фичам.

Нужен очень трудолюбивый человек, который перебрал бы основные макроэкономические индикаторы и нашел в них альфу :) И при этом на высоком уровне осознанности :)
[Удален]  

Там интересная статья вышла про мощь бустинга. Но одноименную библиотеку пока что не нашел.

https://arxiv.org/abs/2407.02279

How to Boost Any Loss Function
How to Boost Any Loss Function
  • arxiv.org
Boosting is a highly successful ML-born optimization setting in which one is required to computationally efficiently learn arbitrarily good models based on the access to a weak learner oracle, providing classifiers performing at least slightly differently from random guessing. A key difference with gradient-based optimization is that boosting's original model does not requires access to first order information about a loss, yet the decades long history of boosting has quickly evolved it into a first order optimization setting -- sometimes even wrongfully \textit{defining} it as such. Owing to recent progress extending gradient-based optimization to use only a loss' zeroth ($0^{th}$) order information to learn, this begs the question: what loss functions can be efficiently optimized with boosting and what is the information really needed for boosting to meet the \textit{original} boosting blueprint's requirements? We provide a constructive formal answer essentially showing that...
 
Maxim Dmitrievsky #:
Ну по сути сводится к выбору режима рынка и добавлению макропоказателей к фичам. Первое точно полезно, со вторым надо экспериментировать, потому что они меняются не так часто, как хотелось бы. Например, раз в месяц выходит статистика. Тогда это уже будет какая-то другая, новостная ТС.

Нужен очень трудолюбивый человек, который перебрал бы основные макроэкономические индикаторы и нашел в них альфу :) И при этом на высоком уровне осознанности :)

Привлёк сам подход, когда с нестационарностью пытаются работать содержательно, изучая её устройство.

Очевидно, при содержательном изучении нестационарности на одних только технических признаках (построенных только по ценам) далеко не уедешь. Но осмысленная и полезная добавка нетехнических признаков дело непростое.

 
Maxim Dmitrievsky #:

Там интересная статья вышла про мощь бустинга. Но одноименную библиотеку пока что не нашел.

https://arxiv.org/abs/2407.02279

Надо почитать. Не уверен что бустить можно совсем уж любую функцию потерь, но вдруг придумали что-то интересное.
[Удален]  
Aleksey Nikolayev #:

Привлёк сам подход, когда с нестационарностью пытаются работать содержательно, изучая её устройство.

Очевидно, при содержательном изучении нестационарности на одних только технических признаках (построенных только по ценам) далеко не уедешь. Но осмысленная и полезная добавка нетехнических признаков дело непростое.

Да, были такие мысли, но ушли далеко вперёд рук.
 
Aleksey Nikolayev #:
Свежая и вроде бы интересная статья на тему МО и нестационарность.

Интересная, но бесполезная статья. И проблема в ом, что подход к МО как обычный подход к статистике не работает.

Поясню на примере.

Несколько лет назад попалась статья по гарч, в которой делался выбор типа гарч (а их более 100!) на предсказании всех акций входящих в S&P500. Все понятно, статистика, можно пользоваться результатами статьи и более обоснованно применять IGARCH.

В МО этот номер не проходит.

В статья непонятно как пытаются учесть некие отклонения, т.е. выбросы. 

На уровне препроцессинга наука МО предлагает как-то обрабатывать выбросы, но за этими слова теряется смысл МО: а чему мы учим модель?

Казалось бы простой вопрос и примитивный ответ.

Однако это далеко не так.

Некоторое время назад довел до демо счета ТС с учителем приращения цены с ошибкой классификации ниже 20%, а то вообще 10%. 

На демо счете  выяснил, что данная ошибка классификации соответствует отношению убыточных и прибыльных сделок.

Казалось бы, профит фактор должен быть около 4. Ан, нет. За счет ухищрений в советнике не удалось поднять профит фактор выше 1.5! 

И здесь стало понятно, что мой простецкий учитель учил модель предсказывать прибыль 10-15 пипсов, а ошибался на движениях цены свыше 50 пипсов.

Последние 1.5 года пытаюсь сконструировать учителя (целевую переменную), который бы предсказывал прибыль кратно больше убытка. А вот это оказалось очень сложной задачей. Приходится методом тыка делать весьма витиеватую предобработку учителя,, потом подбирать под него предиктора, при этом крайне сложно найти предикторы, которые связаны с учителем, а не просто шум.... Все это в условиях переобучения и заглядывания вперед - т.е. оценка только на внешнем файле с пошаговым прогоном...

Ничего подобного нет в статье..

[Удален]  

Саныч, учитель - это человек, а не целевая 

и вы еще нарочито подчеркиваете свою безграмотность, делая уточнение "сконструировать учителя (целевую переменную)"

1...356335643565356635673568356935703571357235733574357535763577...3745
Новый комментарий