Обсуждение:Очищенная кросс-валидация временных рядов
Материал из MachineLearning.
(Новая: Шестая статья создавалась теми же способами, как моя последняя статья про дробное дифференцирование ...) |
(Новая: Шестая статья создавалась теми же способами, как моя последняя статья про дробное дифференцирование ...) |
Текущая версия
Шестая статья создавалась теми же способами, как моя последняя статья про дробное дифференцирование временных рядов.
Этап 1: Промптинг по эталону
Как и в предыдущей работе, я решила отказаться от детального микроменеджмента структуры и передала модели в качестве стилевого референса свою прошлую идеальную статью про сети KAN. Промпт содержал лишь высокоуровневые смысловые "якоря":
| Роль: Ты специалист в области финансового машинного обучения, профессор и строгий академический энциклопедист.
Задача: Написать вики-статью «Очищенная кросс-валидация временных рядов» (PECV). Твоя главная задача — проанализировать текст внутри тегов <style_reference> и в точности перенять его академический, но понятный педагогический стиль (от макро- к микроуровню), структуру повествования и глубину математических объяснений. <style_reference> [Здесь был вставлен полный текст моей прошлой эталонной статьи про Сеть Колмогорова — Арнольда] </style_reference> Содержание новой статьи: Раскрой тему очищенной кросс-валидации строго в контексте финансового машинного обучения (по Маркосу Лопесу де Прадо). Тебе нужно самостоятельно выстроить логику объяснения концепции от интуитивного начала до практического конца. Обязательно освети следующие смысловые якоря: - Почему стандартная кросс-валидация (K-Fold CV) приводит к катастрофическому переобучению на временных рядах (проблема не-i.i.d. данных и перекрывающихся интервалов разметки / overlapping labels). - Ограничения классического Walk-Forward (TimeSeriesSplit) — неэффективное использование данных. - Механизм Очистки (Purging): математическая формулировка удаления перекрывающихся интервалов обучения вокруг тестового сегмента. - Механизм Эмбарго (Embargo): почему необходимо удалять данные, идущие сразу за тестовым набором (эффект автокорреляции и памяти ряда). Технические ограничения: Оборачивай абсолютно все переменные в теги <tex>. Выключные формулы начинай с ::<tex>. |
Этап 2: Академическая редактура и упрощение смыслов
Текст от модели получился концептуально сильным, однако при вычитке я внесла три важные группы правок, чтобы улучшить понимание материала новичками:
1. Педагогическое упрощение введения: Модель начала статью с тяжелой фразы: «это специализированная архитектура разбиения данных для оценки обобщающей способности моделей...». Я переписала введение, заменив сложную конструкцию на интуитивную
2. Интуитивное объяснение «Эмбарго»: Раздел про автокорреляцию получился слишком математизированным. Я попробовала сделать переход к математике более плавным
3. Взгляд в будущее: Сгенерированный вывод показался мне недостаточно глубоким.Я дописала финальный абзац, упомянув дальнейшее развитие метода - комбинаторную очищенную кросс-валидацию (CPCV). Это позволило сделать концовку статьи более современной и показать, куда движется индустрия финансового машинного обучения сегодня
Этап 3: Техническое форматирование формул
Модель в очередной раз пропустила теги <tex>... вокруг одиночных переменных в тексте. Я обернула все латинские и греческие символы (t, h, x_t, y_t, K) прямо внутри предложений. Также были скорректированы формулы интервалов очистки и эмбарго для их корректного отображения легаси-парсером портала.
Polina Khadralinova 01:19, 18 июля 2026 (MSD)
