交易中的机器学习：理论、模型、实践和算法交易 - 页 3359

新评论
 
СанСаныч Фоменко #:

这和英格兰有什么关系？

你看起来是个合格的人，却总是把自己往垃圾桶里拖。

你很少提出实质性的反对意见......

我从他的网络研讨会上得到的还有什么是实质性的？
此外，所有的方法名称都在那里，你可以用谷歌搜索。他讲了两个他最喜欢的方法。
他上过很多课程，还去英国做过兼职。谷歌还是冰毒，我记不清了。对我来说，垃圾就是当地的对话者：)

我有一些朋友在 IT 行业担任要职，尽管我自己离这个行业还很远。他们中的一位负责管理整个银行的基础设施。他们时不时会问我一些废话，有时他们会对我的知识感到惊讶。因此，我对国防部产生了兴趣。所以一切都很干净整洁。

如果有什么事的话，我与这个领域无关。只是为了好玩。我没有数学背景，纯粹凭直觉。我的意思是，我甚至连某种高中数学课程都过不了。也不会任何编程模式。

如果你把一个铁杆 MOSHnik 带到这里来 他会把你炸得粉身碎骨的所以，如果你不理解我，他对你来说就是上帝。但他绝对不会来这个动物园：）他也不会在乎你在高高钟楼上的 R。

他首先会说，你们都是瘸子，因为你们坐在这个外汇上：)
 

支持向量法 和决策树等分类器具有 predict_proba功能 ，因为它们可以根据内部特征提供类别概率的估计值。不过，这些概率估计值可能并不完全准确，也可能无法反映分类器的真实置信度。


例如，对于支持向量法 ，predict_proba函数 可能会根据到分离超平面的距离返回概率估计值，但由于该方法本身的特征，这些值可能会有偏差。


对于决策树 ，predict_proba 函数 可以根据叶节点中每个类别的对象数量计算类别概率，但由于树的结构，这些概率可能并不完全准确。


因此，虽然这些分类器具有 predict_proba函数 ，但与基于概率模型的方法（如天真贝叶斯分类器或逻辑回归）相比，它们提供的概率可能不太可靠。

 

我为<版主删除> 做了一个小实验。

在没有校准的情况下，当阈值升高时，它的属性并没有改善。交易变少了，利润也没有增长。

用现有方法进行了校准，运行了不同的阈值。校准是在 2015 年之后，之前的都是 OOS。

方法是定制的，我自己想出来的。然后，我将把它与知名的方法进行比较，因为它们在导出到 MT5 时有一个小问题，然后我再做决定。

阈值 0.5

0.6

0.7

一个简单的例子说明，即使校准最初较弱的模型也会产生一些结果。

CHTD

Машинное обучение в трейдинге: теория, модели, практика и алготорговля - Хорошие свойства у имеющегося классификатора должны соответствовать изучаемым данным.
Машинное обучение в трейдинге: теория, модели, практика и алготорговля - Хорошие свойства у имеющегося классификатора должны соответствовать изучаемым данным.
  • 2023.12.25
  • www.mql5.com
это просто способ привести аутпуты в вероятностый вид. потому что использование сырых вероятностей модели вообще бесполезно. переход к чисто вероятностной постановке задач в трейдинге давно созрел и даже слегка перезрел
 
还有一种技巧，可以将在其他数据上训练的模型校准到其标签上。在某些微妙的情况下（我就不解释了），它能起到很好的效果。
 
mytarmailS #:
什么是校准
https://stats.st ackexchange.com/questions/552146/probability-calibration-of-statistical-models
如何校准
https://www.tidy models.org/learn/models/calibration/

https://mlr.mlr- org.com/articles/tutorial/classifier_calibration.html

阅读文章，阅读链接上的文章。

奇怪的印象。

根据这些文章，校准的关键在于以某种方式平滑化。有什么比在平滑化概率和未平滑化概率上设置阈值更好的呢？没有估算，尽管在我看来有估算的是分类误差。

 
看来，校准任何回归都是可能的，而不仅仅是产生 "概率 "的回归。我想知道这是否有意义。
 
Aleksey Nikolayev #:
是否有意义。
这是最重要的问题
 

新业务 - 销售预测器


 
Maxim Dmitrievsky #:

一个简单的例子是，校准即使是最初较弱的模型也会得到一些结果。

校准是一种解释模型性能的机制，根据某些数据进行调整。

其本身并不会改变模型的输出值。量化之后，由于类比例的激增而导致范围重新排列的变体--我在模型中没有见过这种情况--一切总是很流畅。也许如果把它分成 100 段，就会出现这种情况....。

根据模拟，校准一般会导致 0.5 点的移动--更多时候是在较大的一边。因此，如果不进行校准，您就可以找到这样的点 - 您为什么没有做到这一点就不清楚了，尤其是如果您对所有仓位都设置了相同的止盈和止损。如果它们不一样，那么您需要一种完全不同的方法--通过期望矩阵进行校准:)

 
Aleksey Vyazmikin #:

校准是一种解释模型性能的机制，根据特定数据进行调整。

它本身并不会改变模型的输出值。在量化之后，由于类比例的激增而导致范围重新排列的变异情况--我在模型中没有见过--一切总是很流畅。也许如果除以 100 段，就会出现这种情况....。

根据模拟，校准一般会导致点 0.5 的移动--更多时候是在较大的一边。因此，如果没有校准，您也可以找到这样的点 - 您为什么没有做到这一点就不清楚了，尤其是如果您对所有仓位都设置了相同的止盈和止损。如果它们不一样，那么您需要一种完全不同的方法--通过期望矩阵进行校准:)

我根本没有激怒任何人。方法有很多，问题在于操作者的知识。

总有一种灵丹妙药可以解决所有问题，那就是优化所有移动的东西。
1...335233533354335533563357335833593360336133623363336433653366...3399
新评论