Deep Learning — Học sâu
Tải lợi suất nhiều chiến lược, nhiều tài sản hay nhiều chỉ số lên và xem chúng thực sự độc lập tới đâu. Đây là phép đo phải làm trước khi cộng rủi ro của nhiều vị thế.
Cột âm vẽ màu đỏ. Ngưỡng |r| > 0,8 là mức thường gây đa cộng tuyến đủ để làm hệ số hồi quy mất ổn định.
Dấu cho biết chiều, độ lớn cho biết mức chặt của quan hệ TUYẾN TÍNH. Không nói gì về nhân quả và không bắt được quan hệ cong.
Các cặp này gây đa cộng tuyến nếu cùng đưa vào một mô hình hồi quy: hệ số sẽ đổi dấu và nhảy mạnh khi thêm bớt dữ liệu.
Với 12 quan sát, |r| khoảng 0.591 trở lên mới khác 0 có ý nghĩa ở mức 5%. Cỡ mẫu nhỏ khiến tương quan lớn xuất hiện hoàn toàn do ngẫu nhiên.
| A ↔ B | +0.9490 |
| B ↔ C | -0.6471 |
| A ↔ C | -0.6388 |
| Ma trận |
A B C
A 1.000 0.949 -0.639
B 0.949 1.000 -0.647
C -0.639 -0.647 1.000 |
| Cảnh báo đa cộng tuyến | A↔B |
Cột âm vẽ màu đỏ. Ngưỡng |r| > 0,8 là mức thường gây đa cộng tuyến đủ để làm hệ số hồi quy mất ổn định.
r = +0.9490. Nhìn hình trước khi tin con số: quan hệ chữ U rõ ràng vẫn cho r gần 0.
| A ↔ B | +0.9490 |
| B ↔ C | -0.6471 |
| A ↔ C | -0.6388 |
| Ma trận |
A B C
A 1.000 0.949 -0.639
B 0.949 1.000 -0.647
C -0.639 -0.647 1.000 |
| Cảnh báo đa cộng tuyến | A↔B |
1.234.567 lẫn 1.234,56.Deep learning dùng mạng nơ ron nhiều lớp để tự học biểu diễn từ dữ liệu thô. Nó vượt trội rõ rệt với ảnh, âm thanh và văn bản; với dữ liệu bảng, gradient boosting vẫn thường thắng và rẻ hơn nhiều.
| Loss trên train và validation | khoảng cách cho biết overfit |
| Chi phí suy luận | quyết định khả năng triển khai |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Cơ chế attention, nắm quan hệ xa.
Tích chập nhân quả với receptive field kiểm soát được.
Sharpe sau khi phạt vì số lần thử và độ lệch/nhọn của đuôi.
Tỉ lệ cấu hình thắng in-sample lại xếp dưới trung vị ngoài mẫu.
Deep learning dùng mạng nơ ron nhiều lớp để tự học biểu diễn từ dữ liệu thô. Nó vượt trội rõ rệt với ảnh, âm thanh và văn bản; với dữ liệu bảng, gradient boosting vẫn thường thắng và rẻ hơn nhiều.
1. Xác định dữ liệu có đủ lớn không — deep learning cần nhiều dữ liệu hơn hẳn. 2. Bắt đầu từ mô hình đã huấn luyện sẵn và tinh chỉnh, thay vì huấn luyện từ đầu. 3. Dùng regularisation: dropout, weight decay, early stopping. 4. Theo dõi đường cong học để phân biệt underfit và overfit.
Dùng deep learning cho dữ liệu bảng nhỏ — trong dự án này, LightGBM thua hồi quy tuyến tính trên cả 5 thị trường ở bài toán dự báo biến động; mô hình phức tạp hơn không tự động tốt hơn. Kích thước mô hình vượt hạ tầng triển khai, nên không bao giờ ra được production.
Loss trên train và validation — khoảng cách cho biết overfit; Chi phí suy luận — quyết định khả năng triển khai.
Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.