Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3344

Yeni yorum
 
Forester #:

Muhtemelen klasik olarak filtreleyin, eğer (Spred > 10 pt) {işlem yapmayın veya işaretlemeyin}. Veya pip cinsinden değil, ortalama spread * 2 veya * 3.... *10.

Tuhaflık, gerçek spread'i bilmeden bile, test cihazında yapay olarak artırdığınızda işlemlerin bir kısmının düşmesidir. Yani, ticaret yapmamanız gereken zayıf noktaları hemen görebilirsiniz. Bu yüzden şartlı olarak bir model hatasına atıfta bulundum.
 
Aleksey Nikolayev #:

Seriler için iyi bir olasılıksal tahmine ihtiyacımız var, ancak günümüzde olduğu gibi sevimsiz değil (örneğin kantil regresyon). Makalenin kendisinde bunu göremedim, ancak literatür listesi bunu içeriyor gibi görünüyor.

Yandex'ten bir şey var

Uncertainty in Gradient Boosting via Ensembles
Uncertainty in Gradient Boosting via Ensembles
  • research.yandex.com
For many practical, high-risk applications, it is essential to quantify uncertainty in a model's predictions to avoid costly mistakes. While predictive uncertainty is widely studied for neural networks, the topic seems to be under-explored for models based on gradient boosting. However, gradient boosting often achieves state-of-the-art results on tabular data. This work examines a probabilistic ensemble-based framework for deriving uncertainty estimates in the predictions of gradient boosting classification and regression models. We conducted experiments on a range of synthetic and real datasets and investigated the applicability of ensemble approaches to gradient boosting models that are themselves ensembles of decision trees. Our analysis shows that ensembles of gradient boosting models successfully detect anomalous inputs while having limited ability to improve the predicted total uncertainty. Importantly, we also propose a concept of a virtual ensemble to get the benefits of...
 

TS'yi saatlerce yayarak boşaltmak ne kadar kolay

 
Maxim Dmitrievsky #:

TS'yi saatlerce yayarak boşaltmak ne kadar kolay

Yani spread = 7 pts'de 50/50 olacaktır.
Ve karlı varyant işlem başına ortalama sadece 7 puan kazanır.
ECN hesaplarında EURUSD 0-5 genellikle (ortalama 3) + komisyon için ~ 4 puan yayılır. Yani bu strateji gerçek ECN'de 0'da çalışacaktır.
Ve takaslar artık -7,7 ve bazı işlemler için +3,1 pts her devir için eklenecek.
Spread + swap, işaretlemede dikkate alınmalıdır. Belki model daha iyi olacaktır, çünkü eğitim sırasında bazı işlemleri başarılı olarak değerlendirmeyecektir.

 
Forester #:

Yani spread = 7 pts'de 50/50 olacaktır.
Ve karlı varyant işlem başına ortalama sadece 7 puan kazanır.
ECN hesaplarında EURUSD 0-5 genellikle (ortalama 3) + komisyon için ~ 4 puan yayılır. Yani bu strateji gerçek ECN'de 0'da çalışacaktır.
Ve takaslar artık -7,7 ve bazı işlemler için +3,1 pts her devir için eklenecek.
Spread + swap, işaretlemede dikkate alınmalıdır. Belki model daha iyi olacaktır, çünkü eğitim sırasında bazı işlemleri başarılı olarak değerlendirmeyecektir.

ve nasıl işaretlerseniz işaretleyin, daha sonra her işlemden düşülürse, spread nasıl fiyat artışında dikkate alınabilir?

 
Maxim Dmitrievsky #:

ve nasıl işaretlerseniz işaretleyin, daha sonra her işlemden düşülürse, işaretlemedeki yayılmanın nasıl hesaba katılacağı.

Dolayısıyla, fiyatlandırma finansal sonuca göre yapılmalıdır. Açma-kapama işlemi ve sonucu işaretlemeye aktarın. Bu tam varyanttır.

Veya en kötü varyantı çıkarın, ECN'de EURUSD için muhtemelen 7-10 puan, diğerleri için belki daha fazla, özellikle haçlar için. + her gün için takas.
STD hesaplarında daha da kötüdür.

 
Forester #:

Dolayısıyla, fiyatlandırma finansal sonuca dayalı olmalıdır. Bir işlem açın-kapatın ve sonucu işaretlemeye aktarın. Bu tam varyanttır.

Veya en kötü varyantı çıkarın, ECN'de EURUSD için muhtemelen 7-10 puan, diğerleri için belki daha fazla, özellikle haçlar için. + her gün için takas.
STD hesaplarında daha da kötüdür.

İşaretlemeye aktarıyorum, eğitimden sonra hala yayılmada kötü hissettiriyor

Ek olarak, kaybedilen işlemlerden oluşan bir koleksiyon topluyorum ve "işlem yapmamayı" öğretiyorum. En iyi aralık türüne göre. Aslında makalelerde olduğu gibi ikinci meta model bunu yapıyor. Bu da çok havalı değil.
 
Maxim Dmitrievsky #: Aslında, makalelerde olduğu gibi ikinci meta model bunu yapıyor. Bu da pek hoş değil.

Ne istiyorsunuz? Neredeyse rastlantısallıkla çalışıyoruz. Altı ay önce buraya atılan Kozul hakkındaki ilk kitapta olduğu gibi sıcaklığa bağlı olarak dondurma talebini incelemeye benzemiyor)))))

 
Forester #:

Ne istiyorsunuz? Neredeyse rastgele çalışıyoruz. Kozul'da olduğu gibi sıcaklığa bağlı olarak dondurma talebini araştırmak gibi değil))).

Zeekr 001 istiyorum.

 
Maxim Dmitrievsky #:

Yandex'ten bir şey var

Teşekkürler, kapsamlı literatür ile kaliteli ve ilginç bir makale.

Görünüşe göre ilginç olan belirsizlik türünü - çıktının niteliklere olasılıksal bağımlılığı - dikkate almıyorlar. Diğer iki belirsizlik türünü inceliyorlar - niteliklerin ve parametrelerin yanlışlıklarıyla ilgili belirsizlikler. Bunlara güzel bir şekilde - aleatorik ve epistemik belirsizlik denir) Bizim varyantımıza benzetme yoluyla hedef belirsizlik demeliyiz).

Bizim durumumuzda, niteliklerin "ölçüm hataları" prensipte yoktur ve model parametrelerinin belirsizliği "hedef belirsizliğimizden" zayıf bir şekilde ayrılabilir.

1...333733383339334033413342334333443345334633473348334933503351...3399
Yeni yorum