Postagens

Métricas Quantitativas que Realmente Importam em uma EA no MT5

 Muita gente olha apenas o lucro líquido de uma EA no MT5. O relatório de performance possui métricas mais importantes que o lucro isolado. Glossário básico de métricas quantitativas: PF (Profit Factor) Lucro bruto dividido pela perda bruta. PF > 1 = sistema lucrativo PF < 1 = sistema perdedor Sharpe Ratio Retorno ajustado pela volatilidade da curva. Sharpe alto indica: maior estabilidade menor serrilhado melhor consistência estatística Drawdown (DD) Maior queda da curva de capital após um topo. Exemplo: 10k → 20k → 12k DD = -40% Recovery Factor Capacidade da estratégia recuperar drawdown. Lucro Líquido / DD Máximo Payoff Lucro médio esperado por trade. Lucro líquido / total de trades Win Rate Percentual de operações vencedoras. Win rate sozinho não define qualidade. Uma estratégia pode ter: 40% acerto e ainda ser lucrativa. AHPR Retorno médio aritmético por operação. GHPR Retorno geométrico composto. Mais importante para avaliar crescimento real da conta. LR Correlation Corr...

Procurar por funções de verossimilhanças em modelos estatístico é só uma decomposição para voltar a algo que já estava ali?

Durante o desenvolvimento e a calibragem de uma estratégia automatizada para operar o mini índice da Ibovespa, surgiu uma questão conceitual. A rotina de otimização de parâmetros em uma EA envolve testar combinações que maximizam lucro, reduzem drawdown ou melhoram a curva de capital. Esse processo parece empírico. A pergunta foi se existe um paralelo formal com inferência estatística. Em termos estatísticos, a função de verossimilhança é definida como L(θ|x)=p(x|θ), tratada como função do parâmetro θ, com os dados x fixados. A operação central é a troca de papéis. Em p(x|θ), x é variável aleatória e θ é fixo. Na verossimilhança, x passa a ser observado e θ varia. Isso permite inferência sobre θ. Se X₁,…,Xₙ são independentes, a verossimilhança assume a forma de produto: L(θ|x)=∏ᵢ p(xᵢ|θ) Aplicar log transforma produto em soma. Isso simplifica a otimização numérica. A fatoração não altera a informação. Apenas reorganiza a expressão. Pelo teorema de fatoração de Ronald Fisher: L(θ|x)=g(T...

O que é função de plausibilidade relativa?

Função de plausibilidade relativa é a verossimilhança normalizada pelo seu valor máximo. Para um modelo com parâmetro (\theta) e dados (x), define-se R(\theta\mid x)=\frac{L(\theta\mid x)}{L(\hat{\theta}\mid x)} onde (L(\theta\mid x)) é a função de verossimilhança e (\hat{\theta}) é o estimador de máxima verossimilhança . Propriedades. O valor de (R(\theta\mid x)) está no intervalo ([0,1]). O máximo é 1, atingido em (\hat{\theta}). A função preserva a ordem de preferência entre valores de (\theta). Se (R(\theta_1\mid x) > R(\theta_2\mid x)), então (\theta_1) é mais compatível com os dados que (\theta_2). Interpretação. A função expressa evidência relativa fornecida pelos dados para diferentes valores de (\theta). Não é uma probabilidade em (\theta). Não integra 1 no espaço paramétrico. Não incorpora priori. Uso. Intervalos de plausibilidade são definidos por conjuntos ({\theta: R(\theta\mid x)\ge c}), com limiar (c) fixado. Testes baseados em razão de verossimilhança usam a mesma ...

Lista de modelos de Machine Learning com suas respectivas aplicações

É bom lembrar-se de que cada problema é único e pode exigir mais de um modelo de Machine Learning para obter resultados satisfatórios. Além disso, a escolha final de modelo depende do tamanho e natureza dos dados e das expectativas de desempenho, mas aqui segue uma lista de modelos e suas respectivas aplicações Regressão Linear: Problemas de previsão numérica, como prever o preço de uma casa com base em suas características. Regressão Logística: Problemas de classificação binária, como prever se um cliente será inadimplente. Árvore de Decisão: Problemas de classificação e tomada de decisão, como determinar se um paciente tem uma determinada doença com base em sintomas. Random Forest: Problemas de classificação e regressão, como prever a satisfação de um cliente com base em características de produto e serviço. SVM (Support Vector Machine): Problemas de classificação, especialmente para dados com muitas características e poucas amostras. Naive Bayes: Problemas de classificação, especial...

Principais igualdades de probabilidade

Pode ser útil, saber: P(A) + P(A') = 1 (complementaridade) P(A ∪ B) = P(A) + P(B) - P(A ∩ B) (regra da adição) P(A | B) = P(A ∩ B) / P(B) (regra de Bayes) P(A ∩ B) = P(A | B) * P(B) (identidade de Bayes) P(A | B) = P(B | A) * P(A) / P(B) (regra de Bayes inversa) P(A ∪ B) = P(A) + P(B) - P(A) * P(B) (regra da multiplicação) P(A ∩ B) = P(A) * P(B | A) (regra da multiplicação) P(A | B) = P(B | A) * P(A) / P(B) (regra de Bayes inversa) P(A | B ∩ C) = P(A | B) * P(A | C) (regra de condicionamento) P(A | B) = P(A ∩ B) / P(B) (regra de Bayes) Lembre-se que estas igualdades só se aplicam quando certas condições são atendidas, como eventos independentes, eventos mutuamente exclusivos, entre outros. 

Cursos Gratuitos para Análise de Dados (Harvard/Johns Hopkins)

Cursos online de alta qualidade para Análise de Dados, todos com inscrição gratuita. Harvard 1. Estatística e R: https://lnkd.in/ggwKPfH3 2. Probabilidade: https://lnkd.in/gRA-sCrU 3. Regressão linear: https://lnkd.in/gCqYdf_W 4. Inferência e Modelagem: https://lnkd.in/gSnuYTMW RICE (Curso) Introdução à análise de dados com Excel: https://lnkd.in/gBVHWzvR Johns Hopkins (Coursera) Estatística avançada para especialização em ciência de dados: https://lnkd.in/g_n-3Wn5 *você pode explorar os vídeos e materiais  do Coursera clicando em 'Auditar o curso'.  *os cursos são ministrados em inglês e alguns tem legendas em português. As paginas do curso podem ser traduzida pelo seu navegar.

Por quê é precipitado definir outliers em análise exploratória. Afinal o que é um outiler?

Imagem
Em minha última aula de Estatística inferencial, um colega de sala fez a seguinte pergunta:  Professor, tem algum tratamento especial para evitar que a função de verossimilhança não tenha outliers? E o professor Wagner explicou de forma lucida:  Não, não tem nada. Porque o outlier é um problema além do modelo. O quê que é um outlier? É um ponto em que a probabilidade de você encontra-lo dado o modelo que você está assumindo é muito pequena. Então normalmente a presença de um outlier indica pra você que o teu modelo não é bom suficiente ou que você tem problemas nos dados. E é muito importante também pensar que só existe a noção de outlier por que existe a noção de modelos, dessa forma não faz sentido você procurar outliers na análise exploratória. Porquê o outiler é algo que teu modelo não conseguiu explicar e isso pode ser motivado novamente ou pelo modelo que está muito simples ou realmente você tem um problema na base de dados. Agora para você afirmar isto você precisa...

5 ferramentas online de IA que você pode usar em 2023

Imagem
1.  https://cleanup.pictures Remover objetos indesejados de fotos, pessoas, texto e defeitos de qualquer imagem. 2. www.resumeworded.com O resumeworded é uma ferramenta de redução de texto on-line e Linkedln avaliador que pontua instantaneamente seu currículo e perfil do Linkedln(melhor se escrito em inglês) e fornece feedback detalhado sobre como aperfeiçoar o perfil para obter mais oportunidades e entrevistas. 3.  https://soundraw.io Soundraw é um gerador de musica para criadores. Selecione o tipo de música que você quer gênero, instrumentos, humor, duração, etc e deixe Al gerar belas músicas para você. 4. www.looka.com Assistente para criação de logo, template para documentos, site/blog tudo o que se precisa para uma identidade visual com o poder de IA. 5. www.copy.ai Obtenha uma ótima copy que vender produtos. Copy.ai é um copywriter com tecnologia Al que gera conteúdo de alta qualidade Extra: teste o You.com o primeiro aplicativo que combina o ChatGPT conectado ao Google...

Como utilizar o NLTK para clusterização

O NLTK (Natural Language Toolkit) é uma biblioteca Python popular para processamento de linguagem natural que oferece uma variedade de ferramentas para tarefas como tokenização, pos-tagging, análise de sentimentos e clusterização. Para utilizar a biblioteca NLTK para clusterização, você precisará seguir alguns passos gerais: Instalar o NLTK : você pode instalar o NLTK usando o comando `pip install nltk` no terminal. Carregar os dados : você precisará carregar os dados que deseja clusterizar, geralmente em formato de texto, em uma variável. Limpar e pré-processar os dados : você precisará limpar e pré-processar os dados antes de aplicar a clusterização. Isso pode incluir etapas como remoção de stopwords, stemming, tokenização, etc. Extrair recursos : você precisará extrair recursos dos dados, como a frequência de palavras ou tópicos, para usar como entrada para o algoritmo de clusterização. Escolher e aplicar um algoritmo de clusterização : o NLTK possui vários algoritmos de clusterizaç...

Como utilizar o spaCy para clusterização

O spaCy é uma biblioteca de processamento de linguagem natural em Python que oferece várias funcionalidades, incluindo análise de dados de texto. Você pode utilizar spaCy para clusterizar dados de texto usando uma variedade de algoritmos. Aqui estão algumas maneiras de fazer isso: Usando o algoritmo de clusterização KMeans do sklearn: você pode utilizar o spaCy para tokenizar e vetorizar seus dados de texto, e em seguida usar o algoritmo KMeans do sklearn para clusterizá-los. É possivel também utilizando o algoritmo de clusterização Hierarchical Clustering do sklearn: você pode utilizar o spaCy para tokenizar e vetorizar seus dados de texto, e em seguida usar o algoritmo Hierarchical Clustering do sklearn para clusterizá-los. Utilizando a biblioteca de clusterização de texto como Textacy: Ela é uma biblioteca construída com base em spaCy e possui funções específicas para clusterização de texto. Pode-se usar o spaCy para gerar embeddings de texto, e então utilizando algoritmos de clu...

O que é clusterização e como ela pode ser utilizada

Sempre que se fala em clusterização, entenda como agrupamento. Que é a tradução da palavra inglesa 'cluster' que significa grupo. Assim, a clusterização é um processo de agrupar os dados em conjuntos (ou clusters) de forma que os dados dentro de um cluster são similares entre si e diferentes dos dados de outros clusters. Existem vários algoritmos de clusterização, como o k-means, o agrupamento hierárquico e o DBSCAN. Cada algoritmo tem suas próprias vantagens e desvantagens e é adequado para diferentes tipos de dados e usos. A clusterização pode ser utilizada para diversas finalidades, como: Análise de segmentação de mercado: agrupar clientes com características semelhantes para entender suas necessidades e comportamentos de compra Identificação de grupos de risco: agrupar indivíduos com características semelhantes para identificar grupos com maior risco de desenvolver uma doença ou condição médica Análise de dados de imagem: agrupar imagens semelhantes para classificá-las auto...

Como utilizar o scikit-learn para clusterização

O que é classificação e como ela pode ser utilizada

Como utilizar o Keras para classificação

Como utilizar o TensorFlow para aprendizado semi-supervisionado

Como utilizar o scikit-learn para aprendizado semi-supervisionado

O que é aprendizado por reforço e como ele pode ser utilizado

Como utilizar o Keras para aprendizado por reforço

Como utilizar o TensorFlow para aprendizado por reforço

Como utilizar o scikit-learn para aprendizado por reforço