Kaggle
1.[Kaggle] Optiver - Trading At The Close | NN with no feature engineering (get 5.34x)
no feature engineering & LSTM => MAE 5.34x (1st 5.2123, 2nd 5.3034)stock_id, date_id Group 후 , window size (3) 단위로 생성한 Sequence Data들을 LSTM 학습 'row_id
2.[Kaggle] Optiver - Trading At The Close | Introduction
Trading At The Close Nasdaq Closing Cross auction로 종가가 결정 Nasdaq 평균 일일 거래량 중 약 10%가 마감 10분전에 이루어짐 Nasdaq 거래 세션의 마지막 10분 동안, MarketMaker들은 traditional
3.[Kaggle] Optiver - Trading At The Close | K-Fold Time Series Split w/ Selective Ensemble
다수의 모델을 학습 후 성능이 평균 이상인 모델들만 남긴 후 Ensemble1차로 평균 이상의 앙상블 모델을 만든 후, 2차로 앙상블 모델을 한 번 더 필터링 => 2차의 결과가 더 좋게 나오는 것을 확인 (MAE)mean_score() : Ensemble 전체의 평균
4.[Kaggle] Optiver Realized Volatility Prediction | 15th Place, Interesting Features - No Phishing | Part 1
Time Binned Data Gen 시간에 따라 데이터를 구간으로 분할하여 생성하는 작업
5.[Kaggle] Optiver Realized Volatility Prediction | 15th Place, Interesting Features - No Phishing | Part 2
대회에서 나온 WAP 공식은해당 함수의 최소값을 나타내는 x 값을 공식화 한 것.따라서 호가의 깊이에 따라 WAP Feature 개수를 늘릴 수 있다.위 공식에서는 log 함수에 따라 WAP를 계산하였는데,lim x->0 일 때, inf로 발산하는 함수 중 $x^{-k
6.[Kaggle] Optiver Realized Volatility Prediction | Tentative 3rd Place Solution (6th in Public) - life is volatile
Overview https://www.mk.co.kr/news/it/10196007 https://portfoly-yoonniverse.vercel.app/user/62d53db4ca5fd788ffaa8727/yoonsoo-kim 2등 코드가 국내 스타트업에서 Sol
7.[Kaggle] Optiver Realized Volatility Prediction | Introduction to financial concepts and data
Order book Q: 호가 단위? Trade Market making and market efficiency Log returns
8.[Kaggle] Optiver Realized Volatility Prediction | 1st Place Solution - Nearest Neighbors
book data와 trade data를 하나의 Dataframe으로 합치는 과정두 dataset에서 하나의 time_id를 기준으로, 각각의 파생된 데이터를 생성 후, 하나의 Dataframe으로 합침하나의 time_id의 seconds_in_bucket의 개수가 각