Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3701

[Удален]  
В целом, такой подход находит мало. Ещё через энтропию попробую. Типа какой смысл крутить графики частями, если можно просто считать энтропию в окне. 
[Удален]  

Новый вероятностный бустинг от Стэндфордского университета. Ну как новый, 6 лет от роду.


NGBoost: Natural Gradient Boosting for Probabilistic Prediction
  • stanfordmlgroup.github.io
NGBoost: Natural Gradient Boosting for Probabilistic Prediction.
 
Maxim Dmitrievsky #:

Новый вероятностный бустинг от Стэндфордского университета. Ну как новый, 6 лет от роду.


Интересно, надо посмотреть. Это хорошо что вероятностное обучение продолжает развиваться.
 
Maxim Dmitrievsky #:

Новый вероятностный бустинг от Стэндфордского университета. Ну как новый, 6 лет от роду.


Похоже, параметрический подход, когда распределение берётся из какого-то параметрического семейства:

Our approach is to assume
Pθ (y|x) is of a specified parametric form, then estimate the
p parameters θ ∈ Rp of the distribution as functions of x

Пока не понял, насколько свободно можно выбирать семйство распределений.

В целом, параметрический подход хорош тем, что позволяет работать с меньшими выборками. Плох он меньшей гибкостью, но это можно отчасти компенсировать свободой выбора параметрического семейства распределения.

 
Aleksey Nikolayev #:

Спасибо!

Планируется ли когда-нибудь сделать сортировку матриц/векторов?

Уже есть давно: https://www.mql5.com/ru/docs/matrix/matrix_manipulations/matrix_sort

Документация по MQL5: Методы матриц и векторов / Манипуляции / Sort
Документация по MQL5: Методы матриц и векторов / Манипуляции / Sort
  • www.mql5.com
Сортировка матрицы или вектора по месту. Параметры axis [in]  Ось, по которой производится сортировка: 0 — горизонтальная, 1 — вертикальная...
 
Renat Fatkhullin #:

Уже есть давно: https://www.mql5.com/ru/docs/matrix/matrix_manipulations/matrix_sort

Почему то у меня (версия 5100) так:

void OnStart()
{  vector v = {0, 1};
   matrix m = {{0, 1}, {2, 3}};
   v.Sort();
   m.Sort(0);
}

// 'Sort' is not a member of 'vector' type      test_sort_matrix.mq5    4       6
// 'Sort' is not a member of 'matrix' type      test_sort_matrix.mq5    5       6
// 2 errors, 0 warnings         2       0

 
Aleksey Nikolayev #:

Почему то у меня (версия 5100) так:

Форум по трейдингу, автоматическим торговым системам и тестированию торговых стратегий

Новая версия платформы MetaTrader 5 build 4620: исправления ошибок в MQL5 и новые методы OpenBLAS

Rashid Umarov, 2024.10.15 16:41

По информации от разработчиков, функция была сознательно отключена на время переезда на новый компилятор. Когда вернут обратно — пока неизвестно.

 
fxsaber #:
Спасибо! Почему-то не заметил этого (
[Удален]  
Aleksey Nikolayev #:

Похоже, параметрический подход, когда распределение берётся из какого-то параметрического семейства:

Our approach is to assume
Pθ (y|x) is of a specified parametric form, then estimate the
p parameters θ ∈ Rp of the distribution as functions of x

Пока не понял, насколько свободно можно выбирать семйство распределений.

В целом, параметрический подход хорош тем, что позволяет работать с меньшими выборками. Плох он меньшей гибкостью, но это можно отчасти компенсировать свободой выбора параметрического семейства распределения.

Для бинарной классификации - распределение Бернулли. Выбор без выбора :)

https://stanfordmlgroup.github.io/ngboost/1-useage.html

Usage
Usage
  • stanfordmlgroup.github.io
Usage We'll start with a probabilistic regression example on the Boston housing dataset: from ngboost import NGBRegressorfrom sklearn.datasets ...
 
Maxim Dmitrievsky #:

Для бинарной классификации - распределение Бернулли. Выбор без выбора :)

https://stanfordmlgroup.github.io/ngboost/1-useage.html

))

Да, для классификации вероятностный подход конечно не даёт ничего нового. Только для регрессии, когда выходом будет не числовое значение, а его распределение.

Имхо, этот подход неплохо ложится на метод, когда ищутся отклонения распределения выхода от того что должно быть при СБ.

Ну, в теории хотя бы) На практике нас всех ждёт завод, конечно)