文章 "金融时间序列中的保形预测探索"

新评论
 

新文章 金融时间序列中的保形预测探索已发布：

本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。

MAPIE（模型无关预测区间估计器）是一款开源Python库，用于对机器学习模型进行不确定性量化与风险管理。它可以为回归问题计算预测区间，也能为分类和时间序列任务生成预测集合。这类不确定性评估是基于专门的“校准数据集”完成的。

MAPIE的一大核心优势在于其模型无关特性，这意味着该库可与任何兼容scikit-learn API的模型配合使用，包括通过适配包装器使用TensorFlow或PyTorch构建的模型。这一特性极大地降低了将其集成到现有分析流程的难度，因为交易者通常会根据具体资产类别或交易策略，使用从传统统计方法到复杂神经网络在内的各类机器学习模型。MAPIE能够直接在成熟模型上无缝实现不确定性量化，可显著降低落地成本并加快应用速度，这在瞬息万变的金融环境中尤为重要。

该库属于scikit-learn-contrib生态体系，基于保形预测（conformal forecast）与无分布推断理论构建。它实现了经过同行评审的算法，这些算法与模型和业务场景无关，并在对数据和模型做出极少假设的前提下提供理论保证。除标准分类任务外，MAPIE还可用于更复杂任务的风险控制，例如多分类问题与计算机视觉中的图像分割，通过为召回率、精确率等指标提供概率保证来实现。


作者：dmitrievsky

 
MetaQuotes:

已发表文章《探索金融时间序列的保形预测》：

作者：马克西姆-德米特里耶夫斯基

这篇文章非常有趣，内容翔实。我将再次重读这篇文章，并尝试在我的 MT5 终端中采用这种方法。感谢作者。
 
我曾在水力空气动力学中使用过保形映射，但将其应用于金融时间序列则非常有趣。我并不完全同意作者的观点，但还是要表示敬意。
 
你好，我想你忘了附加 fixing_lib 模块。该模块已在 mapie_causal.py 文件中导入。
[删除]  
KleversonGerhardt #:
你好，我想你忘了附加 fixing_lib 模块。该模块已在 mapie_causal.py 文件中导入。
你好，这只是实验性的，不会影响当前逻辑。您可以删除。
 
干得好非常感谢你的贡献。我做了一些调整，效果非常好。
 
Nicolas Eduardo #:
干得好非常感谢你的贡献。我做了一些改动，现在一切正常。
你做了哪些改动，原因是什么？
新评论