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.
Индия — один из самых привлекательных рынков в мире для развития бизнеса в сфере займов под залог золота. И дело не только в масштабах экономики, но и в особом отношении жителей страны к...
Иллюстрация из канала MMI . Дефицит бюджета – главный демпфер кризисных явлений.
На рынке мы эти явления ощущаем вполне. Что в акциях, что (нам ближе) в облигациях. Инвесторы и...
Российский фондовый рынок на торгах 21 июля с самого утра мощно и уверенно идёт вверх. Индекс Московской биржи после целой серии обвалов вырос почти до 2050 пунктов, в настоящий момент продолжает...
Сегодня я был снова вынужден прервать свой отвратительный отпуск, чтобы заниматься делами своего инвестиционного портфеля и даже для того, чтобы записать еженедельную вечернюю программу...
КОНСЕНСУС: EBITDA ММК во II квартале выросла почти вдвое, FCF вышел из отрицательной зоны
вот жуки… помнится зимой ММК обещали что всё норм и проблем нет, гнали на 33, а потом вышел отчёт что ...
Покупка ВТБ части Wildberries ещё с нами, в этой комнате? Сделка ВТБ и WB до сих пор жива или что-то поменялось?
Напомню, ВТБ планировал купить 5% WB с возможностью увеличить долю. Речь шла ...
Новатэк и Газпром кажутся сильно перепроданными При цене 700$ за куб газа, Газпром по 85, и Новатэк по 950 кажутся сильно дешевыми, почему именно газовый рынок, там более сложная логистика и уникальна...
Новатэк и Газпром кажутся сильно перепроданными При цене 700$ за куб газа, Газпром по 85, и Новатэк по 950 кажутся сильно дешевыми, почему именно газовый рынок, там более сложная логистика и уникальна...
К концу года рынок вполне способен отыграть 15–20%, если политика ЦБ будет последовательной — президент Финама Владислав Кочетков Президент инвестиционного холдинга «Финам» Владислав Кочетков:
Часть...
К концу года рынок вполне способен отыграть 15–20%, если политика ЦБ будет последовательной — президент Финама Владислав Кочетков Президент инвестиционного холдинга «Финам» Владислав Кочетков:
Часть...
— 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.