트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 3183

새 코멘트
 

동일한 알고리즘을 통해 두 가지 OOS 작업 모델을 얻는 것과 정확히 동일한 방식입니다. 기호는 동일하며 새로운 무작위화가 추가되지 않았습니다. 그냥 무작위로 장기적인 패턴이나 로컬 패턴을 찾습니다. 무작위 하위 샘플(라인 선택 범위 내 40%)로 훈련하고 무작위화를 통해 패턴을 찾는 다른 무작위화자가 여전히 존재하기 때문에 무작위화가 추적합니다.


 
fxsaber #:

하나.

이 문장을 이해하지 못하겠습니다. 다음 두 가지 옵션은 무엇을 의미하나요?

  1. 실행 가능한 문자를 얻으려면 무작위 추출을 여러 번 반복해야 합니다.
  2. 무작위 문자를 많이 만들면 그 중 사용 가능한 문자가 나올 확률이 높아집니다.

무작위 추출 알고리즘은 다음과 같습니다:

  1. 실제 틱 이력을 취합니다.
  2. 평균((매수호가+매도호가)/2) 가격의 증분 시퀀스가 만들어집니다.
  3. 이 시퀀스에서는 각 항에 +1 또는 -1을 무작위로 곱합니다.
  4. 획득한 증분 시퀀스에서 새로운 틱 히스토리가 수집되며, 여기서 시간과 스프레드는 1점과 일치합니다.
  5. 새 틱 히스토리는 사용자 지정 기호로 기록됩니다.
즉, 일부 실제 기호가 무작위로 지정됩니다. 항목 3은 횟수에 관계없이 적용할 수 있습니다. 항목 5 이후에 5개의 포인트가 모두 반복되면 항목 3을 두 번 반복하는 것과 동일합니다.

예, 강조 표시된

여러 번, 많은 문자를 실행해야 합니다. 위에 오버 샘플러의 예를 보여드렸습니다. 같은 행에서 무작위로 훈련용 샘플을 가져와서 OOS에서는 항상 결과가 달라집니다.

OOS에서 정확히 똑같은 급격한 하락이 나타납니다.
 
이 SB의 요점이 뭔지 모르겠는데, 그게 무엇을 증명하는 건가요? ) 충분히 혼합하면 OOS에서 원하는 커브를 얻을 수 있습니다.
 
mytarmailS #:
젠장, 간단한 용어로 어떻게 표현해야 할지 모르겠네요.

테스트에서 최적화한 후 OOS에서 "손으로" 더 나은 변형을 선택하면 피팅이 되지 않습니다....

그리고 알고리즘이 최적화 후 OOS에서 최상의 옵션을 선택한다면 그것은 적합합니다. 왜?

전체 변형 세트에서 최상의 변형/옵션을 선택하는 것이 최적화입니다... 수작업으로 하든 알고리즘으로 하든 상관없습니다.

아마도 MT에서 테스터와 만 작업하고 최적화 자체와 적용 방법에 대해 다소 공식적으로 생각했기 때문에 몇 가지 오해가있을 수 있습니다.

귀하의 진술.

트레이딩, 자동매매 시스템 및 테스트 트레이딩 전략에 관한 포럼

트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩

mytarmailS, 2023.08.16 13:23

일반적으로 TS의 변형이 1000개만 있다고 상상해 봅시다.


1단계와 2단계

1) 좋은 TS를 최적화/검색하기 시작하는데, 이를 훈련 데이터(피팅/검색/최적화)라고 합니다.

TC가 수익을 창출하는 300개의 변형을 찾았다고 가정해 봅시다...

2) 이제 이 300개의 배리언트 중 OOS를 통과할 TC를 찾는 것이 테스트 데이터입니다. 트레이닝과 테스트에서 모두 수익을 올리는 TC 10개를 찾았다고 가정해 보겠습니다.


그렇다면 포인트 2는 무엇인가요?

이제 최적화 조건이 하나(거래 통과)가 아니라 두 개(테스트 통과 + 거래 통과)가있기 때문에 검색(피팅/검색/최적화)이 조금 더 깊어지거나 복잡해졌을 뿐 피팅의 동일한 연속입니다.

10억 개의 TC가 있고, 3억 개의 TC 변형이 발견되며, 훈련된 샘플에서 수익을 창출하는 변종이 백만 배 더 많다고 가정해 보겠습니다(1페이지).

1페이지에서 최적화는 일부 적합도 함수에 대해 수행됩니다. 값이 높을수록 적합도가 높다고 가정합니다. 따라서 최적화는 글로벌 최대값을 찾는 것과 관련이 있습니다. 이 모든 것이 1페이지에 있습니다.


  • 최적화가 끝나면 3억 개의 긍정적인 결과 중에서 OOS를 통과한 5개의 결과를 검색할 수 있습니다. 저는 그렇게 하지 않습니다.
  • 또는 글로벌 최대값에서 가장 가까운 5개 결과를 가져와서 OOS를 통과한 결과만 살펴볼 수 있습니다.
따라서 첫 번째 방법을 사용하면 뷰를 최적화하는 것입니다.

트레이딩, 자동매매 시스템 및 트레이딩 전략 테스트에 관한 포럼입니다.

트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩

FX세이버, 2023.08.19 01:32 오후

(train+test)_optim보다 train_optim + test_forward 모델을 더 신뢰해야 한다고 생각하십니까?

즉, 가장 순수한 형태의 적합도입니다.


그러나 후자를 수행하면 적합하지 않습니다.

 
Maxim Dmitrievsky #:

동일한 알고리즘을 통해 두 가지 OOS 작업 모델을 얻는 것과 정확히 동일한 방식입니다. 기호는 동일하며 새로운 무작위 추출이 추가되지 않았습니다.

나는 같은 기호가 아닌 훈련을 받았습니다. 분명히 무작위화 클라우드에는 어떤 특성을 가진 시리즈가 있습니다.

 

앞쪽이 더 나쁘고 뒤쪽이 더 좋습니다. 그리고 그 반대 상황도 마찬가지입니다. 지금은 재구축을 많이 하지 않았을 뿐입니다.

 
fxsaber #:

귀하의 주장.

총 10억 개의 TC가 있고, 3억 개의 TC 변종이 발견되며, 훈련된 샘플에서 수익을 창출하는 변종이 백만 배 더 많다고 가정해 보겠습니다(이것이 포인트 1입니다).

1페이지에서 최적화는 일부 적합도 함수에 대해 수행됩니다. 값이 높을수록 적합도가 높다고 가정합니다. 따라서 최적화는 글로벌 최대값을 찾는 것과 관련이 있습니다. 이 모든 것이 1페이지입니다.


  • 최적화가 끝나면 3억 개의 긍정적인 결과 중에서 OOS를 통과한 5개를 검색할 수 있습니다. 저는 그렇게 하지 않습니다.
  • 또는 글로벌 최대값에서 가장 가까운 결과 5개를 가져와서 OOS를 통과한 결과만 살펴볼 수 있습니다.
따라서 첫 번째 방법을 사용하면 다음과 같은 형태의 최적화가 이루어집니다.

따라서 순전히 피팅입니다.


두 번째를 수행하면 피팅이 되지 않습니다.

알았어요 사과할게요

 
fxsaber #:

저는 두 가지 이상의 특성에 대한 훈련을 받았습니다. 물론 무작위 클라우드에는 모든 특성을 가진 행이 있습니다.

글쎄요, 저는 문제가 없다고 봅니다. 이 모든 TS는 고정되지 않은 시장에서 거래되기 때문에 무작위화되어 있습니다. 하지만 일부 변종은 어떤 관점에서 수익을 가져올 수 있습니다.

 
Maxim Dmitrievsky #:

예, 강조 표시된

여러 번, 많은 문자를 실행해야 합니다.


위에 오버 샘플러의 예를 보여드렸습니다. 같은 행에서 무작위로 훈련용 샘플을 가져와서 OOS에서는 항상 결과가 달라집니다.

실제 심볼에서는 그런 효과가 없습니다. 최적화 간격의 40%를 선택하면 그 이후에는 OOS에서 결과가 매우 유사합니다.

이것은 제가 무작위화를 위해 선택한 기호이며 훈련 그래프를 제공했습니다.

OOS에서 정확히 동일한 급격한 하락이 나타납니다.

항상 그런 것은 아닙니다.

 
fxsaber #:

실제 기호에서 나는 그러한 효과를 관찰하지 않습니다. 최적화 간격의 40 %를 선택하면 그 후 결과는 OOS에서 매우 유사합니다.

이것이 제가 무작위화를 위해 선택한 기호이며 훈련 그래프를 제공했습니다.

나는 항상 그들을 보지 않습니다.

여전히 틱에 알파가 더 많다는 뜻입니다. 빠르게 검색할 수 있는 방법을 찾았습니다(MO를 사용했다면 매우 오래 걸렸을 것입니다). 이 작업이 끝나면 나중에 결과를 공개하겠습니다.

1...317631773178317931803181318231833184318531863187318831893190...3399
새 코멘트
사유: