Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 99
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Die Klassifizierung ist kein Allheilmittel oder ein Gralswerkzeug.
Bei der Anwendung der Klassifikation geht es zunächst darum, die Instrumente auf die Probleme anzuwenden, für die sie geeignet sind. So wurde zum Beispiel die Idee, die Spektralanalyse auf die Finanzmärkte anzuwenden, schon oft diskutiert, und alle scheinen großartige Werkzeuge zu sein, aber für andere Objekte, ach, nein, wieder angeboten.
Zweitens. Die Klassifizierung ist durchaus auf die Finanzmärkte anwendbar, aber es gibt viele Probleme, wie oben geschrieben wurde. Aber bei der Klassifizierung können wir das Hauptproblem - das Problem der Umschulung (Überanpassung) des TS - in den Vordergrund stellen. Was könnte noch wichtiger sein? Es ist natürlich nicht schön, der Illusion beraubt zu werden, einen Lieblingsgral zu haben, aber hier ist die Wahl: Glück ist gut, aber Wahrheit ist besser?
Drittens. Bei der Klassifizierung stellt sich ganz konkret die Frage: Was sagen wir voraus? Vergleichen wir sie mit der TA. Wir nehmen Indikatoren. Es ist immer ein Balken [1]. Der aktuelle Balken wird nicht verwendet. Was bedeutet das für H1? Wir nutzen stündliche Frische-Informationen, um den Markteintritt vorherzusagen! Dies ist im besten Fall der Fall.
Dies ist in der Klassifizierung völlig anders. Sie nehmen den aktuellen Wert der Zielvariablen und gleichen ihn mit den Rohdaten von gestern ab - und verschieben das Ziel um einen oder mehrere Balken. Wenn Sie ein Modell verwenden, das an solche Daten angepasst ist, können Sie die Zukunft immer realistisch vorhersagen, wenn der nächste Balken eintrifft.
PS.
Wenn Sie damit starke Marktbewegungen (Nachrichten) vorhersagen wollen, werden Sie Erfolg haben, wenn es Ihnen gelingt, eine Zielvariable zu erzeugen, und das ist in viel einfacheren Fällen ein großes Problem.
Ich stimme all dem zu.
Ich weiß nicht, wie es mit dem Spektrum aussieht, ich habe es nie benutzt.
Zweitens. Die Klassifizierung ist durchaus auf die Finanzmärkte anwendbar, aber es gibt, wie oben beschrieben, eine Menge Feinheiten. Aber bei der Klassifizierung können Sie das Hauptproblem - das Problem der Umschulung (overfitting) der TS. Was könnte noch wichtiger sein? Natürlich ist es nicht schön, wenn man der Illusion beraubt wird, seinen Lieblingsgral zu besitzen, aber man hat die Wahl: Glück ist gut, aber Wahrheit ist besser?
Na, na! Wir haben nur ein Problem - Überbildung. Und das belastet jeden. Die Kehrseite ist eine unzureichende Bildung (und schlechte Ergebnisse überall).
Ich habe Ihnen hier einige schöne Diagramme gepostet, einschließlich Monte Carlo. Im Grunde bin ich zu dem Schluss gekommen, dass ich die Daten an ein Segment außerhalb der Stichprobe angepasst habe, ohne das/die Modell(e) darauf zu trainieren. Ich scheine Modelle zu haben, die außerhalb der Stichprobe gut abschneiden. Das Problem ist jedoch, dass ich KEIN funktionierendes Modell auswählen kann, solange ich das Out-of-Sample nicht sehen kann. Das ist sehr schade.
Na, na! Wir haben nur ein Problem - die Umschulung.
Ich glaube, das Problem ist etwas ganz anderes, wissen Sie.......
L Bin ich etwa ein Arzt? Hier ist Sanych am Schreiben:
"Hier geht es um klassifikationsbasierte Vorhersagen, bei denen der vorherige Zustand bei der Vorhersage des nächsten Taktes nicht berücksichtigt wird. Vorhersagen (Prognosen) auf der Grundlage von Klassifizierungen sind Vorhersagen auf der Grundlage von Mustern. Und wenn es in der Vergangenheit Nachrichten gab, die zu einer Veränderung führten, die NICHT aus früheren Werten folgt (nicht extrapoliert), dann wird die Klassifizierung diese Veränderung als solche erfassen, und wenn es in der Zukunft eine ähnliche Veränderung gibt (nicht genau dieselbe, aber eine ähnliche), wird sie erkannt und eine korrekte Vorhersage gemacht. "
Ich denke also, es lohnt sich, in diese Richtung zu gehen:"Die Klassifizierung wird eine solche Änderung als solche erfassen".
Endlich gibt es ein paar vernünftige Leute in diesem Thread.
Haben Sie das gut durchdacht?
Das mache ich immer. Schlecht denken funktioniert nicht :-)
auf keinen Fall
Ich habe Ihnen hier einige schöne Diagramme gepostet, darunter auch Monte Carlo. Im Grunde bin ich zu dem Schluss gekommen, dass ich die Daten an ein Segment außerhalb der Stichprobe angepasst habe, ohne das/die Modell(e) darauf zu trainieren. Ich scheine Modelle zu haben, die außerhalb der Stichprobe gut abschneiden. Das Problem ist jedoch, dass ich kein Arbeitsmodell auswählen kann, solange ich das Out-of-Sample nicht sehen kann. Das ist sehr schade.
Haben Sie das Komitee ausprobiert? Wenn gbm mehrfach mit denselben Parametern auf denselben Daten trainiert wird, wird das Ergebnis auf den neuen Daten jedes Mal etwas anders ausfallen. Wenn Sie ein Modell nach dem Zufallsprinzip auswählen, haben Sie vielleicht Glück und der Handel läuft gut, vielleicht aber auch nicht, das können Sie nicht erraten. In diesem Fall sollten Sie Dutzende (Hunderte?) von Modellen trainieren, und das Endergebnis wird das sein, das von der Mehrheit der Modelle vorhergesagt wird.
Ein Beispiel: Auf der linken Seite ist die Simulation der Handelsergebnisse von 100 Modellen zu sehen. Sie sehen, dass Sie mit nur einem Modell eine fast 50%ige Chance haben, zu verlieren.
Auf der rechten Seite wird durch die Entscheidung des Ausschusses dieser Modelle gehandelt, ohne Zufälligkeiten, alles ist klar und fast stabil nach oben.
Das Experiment ist das Kriterium der Wahrheit - nicht denken, tun
Ich persönlich halte die Spektralanalyse für vielversprechender, aber das ist nur meine Meinung...
Bei der Anwendung der Klassifikation geht es zunächst darum, die Instrumente auf die Probleme anzuwenden, für die sie geeignet sind. So wurde zum Beispiel die Idee, die Spektralanalyse auf die Finanzmärkte anzuwenden, schon oft diskutiert, und alle scheinen großartige Werkzeuge zu sein, aber für andere Objekte, ach, nein, wird sie wieder vorgeschlagen.
Zweitens. Die Klassifizierung ist durchaus auf die Finanzmärkte anwendbar, aber es gibt viele Probleme, wie oben geschrieben wurde. Aber bei der Klassifizierung können wir das Hauptproblem - das Problem der Umschulung (Überanpassung) des TS - in den Vordergrund stellen. Was könnte noch wichtiger sein? Natürlich ist es nicht angenehm, der Illusion eines geliebten Grals beraubt zu werden, aber wir haben die Wahl: Glück ist gut, aber Wahrheit ist besser?
Drittens. Bei der Klassifizierung stellt sich ganz konkret die Frage: Was sagen wir voraus? Vergleichen wir sie mit der TA. Wir nehmen Indikatoren. Es ist immer ein Balken [1]. Der aktuelle Balken wird nicht verwendet. Was bedeutet das für H1? Wir nutzen stündliche Frische-Informationen, um den Markteintritt vorherzusagen! Dies ist im besten Fall der Fall.
Dies ist in der Klassifizierung völlig anders. Sie nehmen den aktuellen Wert der Zielvariablen und gleichen ihn mit den Rohdaten von gestern ab - und verschieben das Ziel um einen oder mehrere Balken. Wenn Sie ein angepasstes Modell auf solche Daten anwenden, können Sie immer eine realistische Vorhersage für die Zukunft treffen, wenn der nächste Balken eintrifft.
Wenn Sie es zur Vorhersage von abrupten Marktbewegungen (Nachrichten) verwenden wollen, dann werden Sie Erfolg haben, wenn Sie eine Zielvariable generieren können, was in viel einfacheren Fällen ein großes Problem darstellt.
Sind Sie mit Sanych verwandt?
Ja, das bin ich. Naive Bayes'sche Klassifizierung, wie sie Spam filtert, funktioniert sie hier oder nicht?
Und was die Nachrichten angeht: Auf keinen Fall! Einige Nachrichten werden in allen Ritzen so umgeschult sein, dass es eine echte Katastrophe sein wird. Ich habe Beispiele genannt.