Фиттите линейную регрессию ln(NonInflationaryRUB) ~ ln(Brent), альфа — это свободный член, бэта — коэффициент наклона. Откройте любой базовый учебник по эконометрике и разберитесь в главе «линейная регрессия» — сразу все станет понятно, и главное — получите очень простой инструмент для оценки много чего в экономике, физике и не только.
SergeyJu, ну все-таки линейная регрессия очень примитивна, и сама линейная зависимость встречается нечасто. Я базовым универсальным инструментом исследования любых данных продолжаю считать extreme gradient boosting ;) Но если нет математического бэкграунда — то линейная регрессия самое то
MadQuant, звучит красиво. А как Вы контролируете риск оверфитинга? Я с рэндом форест ковырялся весьма долго, но как-то не получил удовлетворения. Если в одно дерево включено много решающих правил — переподгонка, если мало — нет преимущества перед более простыми методами.
SergeyJu, ну есть несколько способов, в том числе встроенных в тот же sklearn:
— boosting сам по себе довольно робастен — как правило несколько тысяч итераций еще не приводят к переобучению в классическом понимании
— дополнительно при фиттинге деревьев можно указывать, чтобы он перебирал не все переменные на каждом шаге и использовал для обучения не все данные — магия, но помогает избежать переобучения
— другие настройки вроде минимального кол-ва наблюдений в листе и минимального кол-ва наблюдений, которое можно разделить
Все эти настройки можно отдельно калибровать, и итоговый результат обычно получается неплох.
Речь, понятно, о задачах общего назначения — рыночные данные деревьями предсказываются не лучше, чем более простыми методами
MadQuant, про все эти штучки я читал, кое-что даже пробовал использовать. В общем, к рынку приспособить не смог (имею в виду разработку ТС).
Похоже, эта задачка сильно отличается от традиционных. Другая целевая функция (кстати, какая?) совсем другой уровень повторяемости (многократно меньший). В общем, копать-не перекопать.
NG (природный газ). Ракета к 3 и выше, готовят разворот Добрый день, друзья!
Сквозной анализ всех таймфреймов:
Биржа NYMEX
▫️долгосрочно - пришли к защите покупателя 2,200, отсюда будет по...
Whoosh - насколько новые регуляторные меры опасны для бизнеса?
За последние полгода акции Whoosh $WUSH находятся в продолжительном пике, растеряв за это время половину своей стоимости.
...
Владислав Кофанов, как хомяк, удивляюсь кому вообще нужны такие новости. Вот есть комбинат, были есть и будет и ничего ему не страшно, всегда поддержат, с годами растёт и его стоимость пропорционал...
The Economist: Путин планирует уничтожить доллар. Саммит БРИКС спровоцирует большой взрыв, разрушающий санкции
Быстро растущий клуб БРИКС бросает вызов доминированию порядка, возглавляемого Запад...
Инструктор, исходя из волнового анализа, даже пробой 273.94 не скажет нам о том, что ниже 240.01 не будет, это будет всего лишь глубже вверх коррекция волны 4, волны 3, снижения от 300 до 240.01. В...
— boosting сам по себе довольно робастен — как правило несколько тысяч итераций еще не приводят к переобучению в классическом понимании
— дополнительно при фиттинге деревьев можно указывать, чтобы он перебирал не все переменные на каждом шаге и использовал для обучения не все данные — магия, но помогает избежать переобучения
— другие настройки вроде минимального кол-ва наблюдений в листе и минимального кол-ва наблюдений, которое можно разделить
Все эти настройки можно отдельно калибровать, и итоговый результат обычно получается неплох.
Речь, понятно, о задачах общего назначения — рыночные данные деревьями предсказываются не лучше, чем более простыми методами
Похоже, эта задачка сильно отличается от традиционных. Другая целевая функция (кстати, какая?) совсем другой уровень повторяемости (многократно меньший). В общем, копать-не перекопать.