Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1204

Neuer Kommentar
 
Maxim Dmitrievsky:

Die Lösung besteht darin, die optimalen Gewichte zu finden... z.B. wie man das Posterior variiert... von einheitlich bis exponentiell

Ich bin kein Befürworter von Black-Box-Modellen. Es ist besser, wenn alles transparent ist, mit einer einfachen "physischen" Bedeutung.

Zum Beispiel berechnen wir die a priori-Wahrscheinlichkeit, dass eine Korrektur zu einer Umkehrung wird, anhand einer großen Historie und berechnen sie dann für jede einzelne Korrektur im a posteriori in Abhängigkeit von der Tageszeit oder den Trendmerkmalen neu.

 
Aleksey Nikolayev:

Ich bin kein Befürworter von Black-Box-Modellen. Es ist besser, wenn alles transparent ist, mit einer einfachen "physischen" Bedeutung.

Zum Beispiel berechnen wir aus einer umfangreichen Historie die A-priori-Wahrscheinlichkeit, dass eine Korrektur in eine Umkehrung übergeht, und berechnen sie dann für jede spezifische Korrektur neu auf die A-posteriori-Wahrscheinlichkeit, je nach Tageszeit oder den Merkmalen des Trends.

Die einfache physikalische Bedeutung der Forex-Gesetze ist uns leider unbekannt.

 
Maxim Dmitrievsky:

die einfache physikalische Bedeutung der Forex-Muster ist uns leider nicht bekannt

Es geht um die Interpretierbarkeit des Modells.

 
Aleksey Nikolayev:

Es geht um die Interpretierbarkeit des Modells.

dann sind Sie raus aus dem MO-Thema :) obwohl Metamodelle durch ihre Metriken leicht zu interpretieren sind

 
Maxim Dmitrievsky:

Dann sind Sie nicht im MO-Thema :) obwohl Metamodelle durch ihre Metriken leicht zu interpretieren sind

Warum? Imho ist das Problem dasselbe wie die Unterscheidung zwischen einer Katze und einem Hund für das Verteidigungsministerium.

 
Igor Makanu:

Warum? Meiner Meinung nach ist es dasselbe, als wenn das Verteidigungsministerium eine Katze von einem Hund unterscheiden würde.

Weil es meiner Meinung nach so ist, als würde man verschiedene Sprachen sprechen...

natürlich durch Schilder unterscheiden... es sind Fiches
 
Maxim Dmitrievsky:

dann sind Sie aus dem MO raus :) obwohl Metamodelle durch ihre Metriken leicht interpretiert werden können

Ich bin mir nicht sicher, ob es immer einfach ist, aber irgendwie kann man es schaffen. Ich nehme an, dass nicht das neuronale Netz selbst, sondern seine vereinfachte Annäherung den Handel direkt durchführen sollte.

Ohne Methoden der MO (man kann es "clevere explorative Analyse" nennen) geht es in unserem Fall nicht)

 
Aleksey Nikolayev:

Ich bin mir nicht sicher, ob es immer einfach ist, aber es lässt sich irgendwie bewerkstelligen. Ich nehme an, dass nicht das neuronale Netz selbst, sondern seine vereinfachte Annäherung den Handel durchführen sollte.

Ohne MO-Methoden (man kann es "clevere explorative Analyse" nennen) geht es in unserem Fall nicht)

Jetzt möchte ich die Abhängigkeit der Signale von den Verteilungen zu den optimierten Parametern hinzufügen.

     double arr[];
     CopyClose(_Symbol,0,0,100,arr);
     double kurt = MathKurtosis(arr);
     double skew = MathSkewness(arr); 
     if(kurt > 2.0) if(rand()/32767.0<0.5) res = 0; else res = 1;
     else {
      if(skew >0) if(rand()/32767.0>prob_shift) res = 0; else res = 1;
      if(skew <0) if(rand()/32767.0<prob_shift) res = 0; else res = 1;

Wenn die Kurtosis höher ist als ein bestimmter Wert (den Sie selbst festlegen können), wird eine flache Situation beobachtet, und Sie können mit der gleichen Wahrscheinlichkeit kaufen/verkaufen (und dann alle Fehlkäufe korrigieren)

weiter auf Asymmetrie, wenn es eine bestimmte Seite gibt, dann ist die Wahrscheinlichkeit des Signals zu kaufen oder zu verkaufen verschoben

Dies ist ein primitives Verfahren, aber es ist ungefähr die Art und Weise, wie der Optimierer die Ziele auswählen kann

Alles, was Sie von den Metriken erhalten müssen, ist der Klassifizierungsfehler bei einer Teststichprobe (die an einer Trainingsstichprobe trainiert werden muss). Die Hyperparameter werden im Optimierer aufgezählt, und das Modell mit dem geringsten Fehler wird ausgewählt. Sie müssen nur wissen, ob ein solches Modell verallgemeinert werden kann oder nicht, indem Sie die Fehler der Testdaten betrachten.

Ich habe gerade ein Beispiel für einen solchen Clunker gegeben


 
Maxim Dmitrievsky:

Nun möchte ich die Abhängigkeit der Signale von den Verteilungen zu den zu optimierenden Parametern hinzufügen, was ich zu Beginn getan habe, um zu sehen

Wie sich herausstellte, gibt es eine Abhängigkeit...

Ich habe "SMM" (Hidden Markovian Model) auf Returnees trainiert, sie in 10 Zustände unterteilt und ohne Lehrer trainiert, es hat verschiedene Verteilungen selbständig aufgeteilt


Zustandsverteilungen.


Und hier habe ich die Renditen nach Staaten gruppiert, d.h. jede Zeile ist ein separater Marktzustand

Einige Zustände (1,4,6,8,9) haben zu wenige Beobachtungen, so dass sie überhaupt nicht wahrgenommen werden können

Und jetzt werde ich versuchen, die Reihe zu regenerieren, d.h. eine kumulative Summe zu bilden, wenn eine Tendenz in einigen der Zustände gefunden wird - die Regelmäßigkeit in der Richtung

Ich habe eine kumulative Zusammenstellung vorgenommen.

Die Staaten 5 und 7 haben eine einheitliche Struktur, 5 steht für bai und 7 für village.

 
Maxim Dmitrievsky:

Nun möchte ich zu den optimierten Parametern die Abhängigkeit der Signale von den Verteilungen hinzufügen, wie ich es für den Anfang getan habe, um zu sehen

Wenn die Kurtosis höher ist als ein bestimmter Wert (den wir selbst bestimmen können), dann haben wir eine flache Situation und es ist möglich, mit der gleichen Wahrscheinlichkeit zu kaufen/verkaufen (und dann alle falschen Käufe zu korrigieren)

weiter auf Asymmetrie, wenn es eine bestimmte Seite gibt, dann ist die Wahrscheinlichkeit des Signals zu kaufen oder zu verkaufen verschoben

Dies ist ein primitives Verfahren, aber es ist die Art und Weise, wie die Ziele im Optimierer ausgewählt werden.

Warum Preise und nicht deren Abstufungen?

1...119711981199120012011202120312041205120612071208120912101211...3399
Neuer Kommentar