Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 108

 

Als Fortsetzung meiner kleinen Publikation https://www.mql5.com/ru/forum/86386/page98 über Spektrumanalyse und Anpassung an reale Marktparameter.

Ich habe ein kleines Experiment, nur um die Theorie mit der Praxis zu verstärken, das Wesen des Experiments ist es, zu überprüfen, ob der Indikator wird effektiver, wenn jedes Mal, wenn Sie den Zeitraum des Indikators auf die eine, die objektiv auf dem Markt vorhanden ist ändern

der Indikator nahm die "RSI" (nur aus Glück), Handelsregeln sind elementare mehr als 70% verkaufen, kaufen weniger als 30%, dumm Handel Umkehrungen, keine Haltestellen

Zuerst nahm ich den üblichen RSI-Indikator mit einer Periode von 14 (diese Periode ist die häufigste in allen Büchern und Artikeln), nur um ihn mit etwas zu vergleichen

1

2

der Indikator hat nicht verloren, ich bin ehrlich gesagt überrascht ....

jetzt den adaptiven RSI

3

4

Schlussfolgerungen: Der adaptive Ansatz ist viel wirksamer als der übliche

Машинное обучение: теория и практика (торговля и не только)
Машинное обучение: теория и практика (торговля и не только)
  • Bewertungen: 1
  • www.mql5.com
Добрый день всем, Знаю, что есть на форуме энтузиасты machine learning и статистики...
 
Andrej Dik:


1) In Wirklichkeit gibt es so etwas wie "Training" und "Coaching" nicht. Alle Arten von Kreuzvalidierungen und OOS-Kontrollen haben nicht die erwartete Wirkung und können diese auch nicht erzielen. Der Punkt ist, dass solche Tricks nichts anderes sind, als die Werte zu suchen und dann zu wählen, die sowohl im Trainings- als auch im Testbereich annähernd zufriedenstellend funktionieren, d.h. dieser Satz von Parametern existiert bereits am Anfang unter all ihren möglichen Varianten, und es ist gleichbedeutend damit, den gesamten Geschichtsbereich auf einmal zu wählen.

2) Nichtsdestotrotz ist die Verwendung von zwei Modellen (in meinem Fall zwei Gittern) meiner Meinung nach das Beste, was unter den derzeit verfügbaren Methoden des "maschinellen Lernens" angewendet werden kann. Es ist kein Training oder Coaching, sondern eine Möglichkeit, das Modell zu optimieren.

3) Echtes Lernen gibt es derzeit nicht. Das Wiedererkennen gleicher oder ähnlicher Muster ist kein Ergebnis von Lernen, sondern von Erinnern. Lernen muss eine Art von Denkprozess beinhalten (wie primitiv auch immer), der es ermöglicht, bei der Aufnahme neuer Informationen zu argumentieren und Schlussfolgerungen zu ziehen, sowie die Fähigkeit, neue Informationen unabhängig zu generieren. Der Markt erfordert ein solches Vorgehen - ein Denken, das es meines Wissens heute nicht gibt. Und was wir heute anwenden, ist Auswendiglernen, nicht Denken, leider.

1) Der Gedanke ist tiefgründig und richtig. Aber nicht vollständig.

TQ (crossvalid.) ist das Lernen und Testen mit denselben Parametern an verschiedenen Trainings- und Testorten. Auch bei 10 verschiedenen Fouls. Wenn die Maschine Rauschen lernt, wird die durchschnittliche Qualitätskennzahl schwach sein. Die Methode selbst ist sehr stark.

Aber wenn die Daten verrauscht sind, kann es eine CV-Anpassung geben, und das ist es, worüber Sie sprechen, aber Sie bringen den Gedanken nicht technisch zu Ende und verfallen in Pessimismus. Einen verschachtelten Lebenslauf (nested CV) gibt es schon seit langem. Alle von Ihnen ausgewählten Modelle können anhand von einmaligen Out-of-Sample-Daten validiert werden. Wenn die Ergebnisse übereinstimmen, ist das Modell gut, wenn nicht, ist es schlecht. Alles ist lösbar.

2) Es ist nicht klar, warum dies der Fall ist.

3) Das ist es. Aber maschinelles Lernen ist eine Branche, die auf verallgemeinerbare Erkenntnisse angewiesen ist. Die Bekämpfung des Überlernens macht 90 % der Anstrengungen aus.

 
Alexey Burnakov:
Die "knallharten Typen der Maschine" tragen dem Rechnung. Die Zeit wird dem Eingang der Maschine zugeführt. Darüber hinaus verhält sich der Preis nicht nur nachts, sondern auch nach Sitzungen unterschiedlich.

"Die Manin Boys... Super!

Es ist gut, dass dies berücksichtigt wird, denn beim Lesen des Threads habe ich nicht bemerkt, dass dies erwähnt wurde. Zwar habe ich keine eindeutigen Merkmale gefunden, um einzelne Sitzungen zu identifizieren, daher gilt für mich nur die Einschränkung auf die Uhrzeit, von jetzt bis jetzt.

 
Alexey Burnakov:

2) Es ist nicht klar, warum dies der Fall ist.

Der Vorteil liegt in der Verringerung der Anzahl von Geschäften im Laufe der Zeit seit Beginn des Handels mit OOS, nicht in einem Anstieg des Prozentsatzes der falschen Signale. Immer häufiger kommt es zu Widersprüchen zwischen den Netzen, eines sagt zu verkaufen und ein anderes sagt gleichzeitig zu kaufen, aber es handelt sich um ein 0-Signal, d.h. anstelle von Handelsverlusten bei absolut unbekannten Daten stellt das Modell den Handel ein.
 
mytarmailS:

Als Fortsetzung meiner kleinen Publikation https://www.mql5.com/ru/forum/86386/page98 über Spektrumanalyse und Anpassung an reale Marktparameter.

Ich habe ein kleines Experiment, nur um die Theorie mit der Praxis zu verstärken, das Wesen des Experiments ist es, zu überprüfen, ob der Indikator wird effektiver, wenn jedes Mal, wenn Sie den Zeitraum des Indikators auf die eine, die objektiv auf dem Markt vorhanden ist ändern

der Indikator nahm die "RSI" (nur aus Glück), Handelsregeln sind elementare mehr als 70% verkaufen, kaufen weniger als 30%, dumm Handel Umkehrungen, keine Haltestellen

Zuerst habe ich einen regulären RSI-Indikator mit einer Periode von 14 genommen (diese Periode ist in allen Büchern und Artikeln am häufigsten zu finden), nur um ihn mit etwas zu vergleichen

der Indikator hat nicht verloren, ich bin ehrlich gesagt überrascht ....

jetzt den adaptiven RSI

Schlussfolgerung: Der adaptive Ansatz ist viel effektiver als der konventionelle

Ich bin dem Link gefolgt, habe aber nicht verstanden, wie man den Zeitraum des Indikators dynamisch ändern kann.

Bitte erläutern Sie dies näher.

 
mytarmailS:

Als Fortsetzung meiner kleinen Publikation https://www.mql5.com/ru/forum/86386/page98 über Spektrumanalyse und Anpassung an reale Marktparameter.

Ich habe ein kleines Experiment gemacht, nur um die Theorie mit der Praxis zu beweisen. Der Kern des Experiments ist es, zu prüfen, ob der Indikator effektiver ist, wenn man die Periode jedes Mal auf diejenige ändert, die auf dem Markt vorhanden ist

Über die Anpassung ist es klar. Und woher nehmen Sie den Zeitraum "objektiv auf dem Markt präsent"?
 
Andrej Dik:

Ich bin dem Link gefolgt, habe aber nicht verstanden, wie man den Zeitraum des Indikators dynamisch ändern kann.

Bitte erläutern Sie dies näher.

Ich schaue mir die spektralen Merkmale an, insbesondere die Periode, und füttere den Indikator, wenn eine neue Kerze erscheint, wird die Serie um 1 Kerze nach vorne verschoben und alles wiederholt sich.
 
SanSanych Fomenko:
Was die Anpassung betrifft, ist alles klar. Und woher nehmen Sie den Zeitraum "der jetzt objektiv auf dem Markt vorhanden ist"?
Sie können das Paket, das im Beispiel war, d.h.dplR verwenden, Sie können kza verwenden, Sie können Rssa verwenden und wahrscheinlich 50 andere Pakete, die ich nicht kenne
 
Andrej Dik:
Der Vorteil besteht darin, dass die Anzahl der Geschäfte im Laufe der Zeit seit Beginn des Handels mit OOS abgenommen hat und nicht der Prozentsatz der falschen Signale gestiegen ist. Immer öfter kommt es zu Widersprüchen zwischen den Netzen, das eine sagt verkaufen und das andere kaufen, und das ist das Signal 0, d.h. statt Verluste auf völlig unbekannte Daten zu handeln, stellt das Modell den Handel ein.
die Idee ist interessant.
 
Alexey Burnakov:
die Idee ist interessant.

Ato.

Ich verwende diesen Effekt in Validierungsdiagrammen als Indikator für die Korrektheit des Trainings und nicht für das Verhältnis von richtigen/falschen Antworten (Fehler). Dies ist ein wichtiges Handelsgut und ein Indikator für die Qualität des Lernens. Wenn ein Modell bei OOS falsche Signale gibt, ist dies ein Indikator für falsches Training und nicht für Marktveränderungen.