Cuando se utiliza el aprendizaje automático para predecir acciones, ¿un error cuadrático medio más bajo puede dar lugar a menos beneficios después del backtesting o hay un error en el experimento?
Mi respuesta a una pregunta similar en el foro de Cross Validated enlace aquí podría ser útil. En pocas palabras, hay que optimizar el beneficio y no el MSE: ambos no son necesariamente lo mismo.
La pérdida personalizada es generalmente muy difícil de implementar ya que debe ser una función suave/convexa para que los métodos habituales de descenso de gradiente funcionen bien. La PNL es muy ruidosa, por lo que entrenar el modelo con la PNL sería muy difícil. Pero puede utilizarse como referencia fuera de la muestra para preferir un modelo a otro.
Puede, depende de su estrategia comercial.
Digamos que el modelo1 predice una rentabilidad relativa de 0,1 para el día siguiente y el modelo2 predice una rentabilidad relativa de 0,3, mientras que la rentabilidad real es de 0,15.
El modelo1 tiene un error RMSE más bajo.
Si su estrategia de negociación consiste en comprar cuando el modelo predice una rentabilidad positiva al día siguiente, y lo hace en un volumen proporcional a la predicción del modelo, entonces comprará más activos en el caso del modelo 2, aunque la precisión sea menor, pero ganará más dinero en este caso, es decir, el PNL del modelo 1 será menor que el PNL del modelo 2.
FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.
0 votos
Puede. Una buena previsión no significa ni grandes beneficios ni frecuentes.
0 votos
@LisaAnn ¿Así que la función de pérdida no significa más precisión? ¿Cuál es la solución?
0 votos
El problema es que su modelo de negociación no puede explotar adecuadamente la precisión de su modelo de previsión. La solución es hacer que el rendimiento de su modelo de negociación dependa más de la precisión de su modelo de previsión.