Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 107
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
Ternär - das bedeutet, dass es drei sich gegenseitig ausschließende Zustände annehmen kann. Eine andere Bezeichnung ist ternär.
Und ein Gitter mit drei Ausgängen, von denen jeder binär ist, kann 8 sich gegenseitig ausschließende Zustände erzeugen, von denen nur drei eindeutig interpretiert werden, wie ein Ternär. Wie interpretieren Sie die übrigen 5 Staaten?
Ich verwende auch die Ternärform in gewisser Weise, ich habe drei Klassen - Aufwärtsdrehung, Abwärtsdrehung und keine Drehung, diese sind 1,-1,0
d.h. ich kann mit kleinen Stopps und großen Gewinnen verdienen, d.h. ich verwalte Risiken, anstatt eine gute Prognose zu erstellen
es ist kein System, sondern nur ein Generator von Einträgen mit Stopps
Das Traurige an diesem Ansatz ist jedoch, dass nicht klar ist, wie das Modell trainiert werden soll
===========================================
Obwohl das Modell eher schwach arbeitet, hindert es nicht daran, stabile Gewinne zu erzielen, und 14% pro Monat ist nicht die Grenze, ich habe 35% gesehen, es hängt alles davon ab, wie Sie das Modell trainieren.
=====================================
und der Ertrag auf Kosten des Stop/Stack-Verhältnisses von 10:1 ist recht stabil, außerdem gibt es eine Risikokontrolle
Ich verwende auch die Ternärform in gewisser Weise, ich habe drei Klassen - Aufwärtsdrehung, Abwärtsdrehung und keine Drehung, diese sind 1,-1,0
Im Prinzip erfordert dieser Ansatz keine gute Marktprognose, Sie können nicht durch eine gute Prognose verdienen, sondern durch kleine Stopps und große Gewinne, d.h. durch Risikomanagement
es ist kein System, sondern nur ein Generator von Einträgen mit Stopps
Das Traurige an diesem Ansatz ist jedoch, dass nicht klar ist, wie das Modell trainiert werden soll
===========================================
Obwohl das Modell eher schwach arbeitet, hindert es nicht daran, stabile Gewinne zu erzielen, und 14% pro Monat ist nicht die Grenze, ich habe 35% gesehen, es hängt alles davon ab, wie Sie das Modell trainieren.
=====================================
Ich habe ein gutes Stop/Stop-Verhältnis von 10:1 und verdiene gutes Geld.
Großartig! Was ist Ihr Anliegen?
es ist nicht klar, wie ein solches Modell zu trainieren, alle Methoden sind auf den Fehler der Klassifizierung ausgerichtet und in meinem Ansatz wird die Wahrscheinlichkeit des Erratens immer unter dem Sockel sein, kurz gesagt, die Wirksamkeit meines Modells muss anders bewertet werden, aber wie weiß ich nicht
Ich weiß nicht, wie ich ein solches Modell trainieren soll, alle Methoden sind auf den Klassifikationsfehler ausgerichtet, und mein Ansatz wird immer unter dem Sockel liegen, kurz gesagt, die Wirksamkeit meines Modells sollte anders bewertet werden, aber ich weiß nicht wie.
Sie sagen also 14 Prozent pro Monat, und manchmal bekommen Sie sogar 35 Prozent. Dann brauchen Sie sich keine Sorgen mehr zu machen, dass Sie es nicht wissen, denn die Ergebnisse sind erstaunlich, ohne falsche Bescheidenheit für Ergebnisse.
Allerdings würde ich keine festen Stopps verwenden, um aus dem Markt auszusteigen (da wir wissen, dass die Muster dazu neigen, vor und nach dem Markteintritt beliebig zu skalieren). Aber der Einfachheit halber habe ich es manchmal so gemacht: Ich habe gelernt, mit sl/tp=1/3 Stopps auszusteigen, aber ich habe 1/2 Verhältnis bei OOS verwendet (ich habe dem Neuron einen Vorsprung gegeben, und es war mir dankbar in Form einer erhöhten Anzahl von richtigen Antworten im Vergleich zu dem, was es wäre, wenn ich 1/3 verwenden würde). Como, wie ich sagte, ist es notwendig, die Zeit des Geschäfts zu begrenzen, weil die Wahrscheinlichkeit, dass in der Zukunft der Preis nicht erreichen SL und TP immer, obwohl klein, aber immer noch da, und wir können nicht sagen, dass das Netz schlecht ausgebildet ist, können wir nur sagen, dass das Leben kurz ist.
Es wurde irgendwo vorgeschlagen, dass das Modell während des Trainings eine Bewegung von mindestens einer bestimmten Anzahl von Pips vorhersagen sollte... Das ist meiner Meinung nach eine sehr vernünftige Idee...
Ich kann hinzufügen - eine Bewegung von mindestens einer bestimmten Anzahl von Punkten unter Berücksichtigung der typischen Volatilität zum gegebenen Zeitpunkt im entsprechenden Zeitrahmen und der festgelegten Laufzeit des Geschäfts. Das letzte Mal, als ich vor 2 Jahren an Gittern gearbeitet habe, war ich in dieser Richtung tätig. Im Allgemeinen habe ich auf Raster verzichtet, da mir einige probabilistische Merkmale des Marktes nicht klar waren. Jetzt hat sich alles mehr oder weniger in meinem Kopf festgesetzt und vielleicht sollte ich weiter an den Grids arbeiten....
Meines Erachtens sollte die Rolle von Methoden des "maschinellen Lernens" in TS so weit wie möglich minimiert werden, und die Marktfaktoren, die sich von Jahr zu Jahr wiederholen, sollten in den Vordergrund gerückt werden. Nutzt zum Beispiel jemand in diesem Thread das Wissen, dass die Volatilität in der Mitte des Handelstages maximal ist? - unwahrscheinlich.... Und das ist ein unbestreitbares Marktmerkmal, das sich nicht ändert.
Es gibt noch eine weitere Beobachtung (unveränderliche Tatsache), die allen bekannt ist, aber von den "Maschinenbedienern" hartnäckig ignoriert wird - auf den unteren TFs unterscheidet sich das Preisverhalten während der Nacht dramatisch von dem am Tag.
Aber dieser Unterschied wird auf TFs größer als H1 nichtig, und vielleicht ist das der Grund, warum viele TS stabilere Ergebnisse auf höheren TFs zeigen (weil Candlestick-Preisänderungen mehr oder weniger homogen sind)?
Aber wir wollen mehr Geschäfte (allerdings mit unvermeidlich größeren Verlusten aufgrund von Provisionen und Spreads), deshalb müssen wir TFs verwenden, die niedriger sind als H1. Es gibt zwei Möglichkeiten, das Problem des "unterschiedlichen Preisverhaltens" innerhalb eines Tages zu lösen: 1). oder Aufteilung eines entsprechenden TS in "Nacht" und "Tag", 2). oder die Begrenzung der Tageshandelszeit (z. B. von 05:00 bis 20:00 Uhr). Ich habe mir normalerweise nicht die Mühe gemacht und die zweite Variante gewählt, aber selbst ein solch einfacher Filter nach Zeit verbessert die Ergebnisse des Trainings und des anschließenden Handels erheblich.
Für "Nacht" Intraday habe ich es nicht geschafft, einen adäquaten TS auf Neuronics zu bauen, weil es andere, imho, Regeln als Musterkombinationen gibt.... Aus diesem Grund bin ich nicht in der Lage, adäquate Intraday-Neuronen zu bauen, weil dort andere Regeln angewandt werden als Musterkombinationen, imho: Welche genau, ist die Frage, aber die Hauptfrage ist, ob die "Nachtstunden" die Verwendung von Gittern (Regeln, für die Prädiktoren schwer zu formalisieren sind) erfordern, wenn während dieser sehr nächtlichen Stunden einfachere und weniger ausgefeilte TS wie Kanalhandel und ähnliche Variationen eines Kanalthemas erfolgreich angewandt werden können...
Es gibt noch eine weitere Beobachtung (unveränderliche Tatsache), die allen bekannt ist, aber von den "Maschinisten" hartnäckig ignoriert wird: Auf den unteren TFs unterscheidet sich das Preisverhalten in der Nacht deutlich von dem am Tag. .
Die Zeit sollte als Prädiktor (zusammen mit anderen) einbezogen werden.
Jeder der Prädiktoren wird durch die entsprechende Anzahl von Prädiktoren geteilt, z. B. Stundenzahl durch 24 Prädiktoren. Der erste Prädiktor hat zum Beispiel eine 1 für die erste Stunde und Nullen für die anderen Positionen. Der zweite Prädiktor hat eine 1 für die 2. Stunde und Nullen für die anderen Positionen, usw.
Wenn wir die Vorhersagekraft solcher Prädiktoren überprüfen, stellt sich heraus, dass jeder dieser künstlichen Prädiktoren eine andere Vorhersagekraft hat. Für einen Wochentag sind das zum Beispiel Mittwoch und Donnerstag. Die anderen Wochentage sind Rauschen und sollten aus dem Modell ausgeschlossen werden.
Wir haben sehr gute Qualitätsprädiktoren.
Die Zeit sollte als Prädiktor (zusammen mit anderen) einbezogen werden.
Jeder der Prädiktoren wird durch die entsprechende Anzahl von Prädiktoren geteilt, z. B. Stundenzahl durch 24 Prädiktoren. Der erste Prädiktor hat zum Beispiel eine 1 für die erste Stunde und Nullen für die anderen Positionen. Der zweite Prädiktor hat eine 1 für die 2. Stunde und Nullen für die anderen Positionen, usw.
Wenn wir die Vorhersagekraft solcher Prädiktoren überprüfen, stellt sich heraus, dass jeder dieser künstlichen Prädiktoren eine andere Vorhersagekraft hat. Für einen Wochentag sind das zum Beispiel Mittwoch und Donnerstag. Die anderen Wochentage sind Rauschen und sollten aus dem Modell ausgeschlossen werden.
Wir erhalten sehr hochwertige Prädiktoren.
Ganz genau. Fast. Die Stundenzahl muss lediglich in 23 binäre Variablen zerlegt werden...
Und bei einigen Methoden ist das auch nicht nötig. Ein Random Forest wird diese Katzenvariable selbst behandeln.
Es gibt noch eine weitere Beobachtung (unveränderliche Tatsache), die allen bekannt ist, aber von den "Maschinisten" hartnäckig ignoriert wird: Auf den niedrigeren TFs unterscheidet sich das Kursverhalten in der Nacht deutlich vom Tagesverlauf.