Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1205
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
Warum Preise und nicht Inkremente?
Ich weiß nicht, wie man es besser machen kann... und die Länge der Samples kann variiert werden... eine Menge Ärger mit all dem
es geht mehr um die Interpretierbarkeit... was gibt es da zu interpretieren? es gibt nur eine MetrikHallo Maxime
Gibt es einen neuen Artikel, den Sie hier besprechen?
Können Sie mir den Link zur Verfügung stellen?
Hallo, noch nicht veröffentlicht, wartet auf Moderation
Ok, wenn Sie wollen, können Sie mir den Code zur Verfügung stellen, damit ich ihn mir ansehen kann.
Warten Sie lieber auf den Artikel, denn ich habe zu viele Versionen
Und es besteht eine Abhängigkeit...
Ich habe "SMM" (Hidden Markov Model) auf Returnees trainiert, sie in 10 Zustände unterteilt und ohne Lehrer unterrichtet.
staatliche Verteilungen.
Und hier habe ich die Renditen nach Staaten gruppiert, d.h. jede Zeile ist ein separater Marktzustand
Einige Staaten (1,4,6,8,9) haben zu wenige Beobachtungen, so dass sie nicht berücksichtigt werden können.
Und jetzt werde ich versuchen, die Serie 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 weisen ein einheitliches Muster auf, 5 für die Bucht und 7 für das Dorf.
Sie beginnen endlich, in die richtige Richtung zu gehen :)
das Ganze mit einer einfachen Brute-Force-Methode zu erzwingen und das beste Muster auszuwählen
Mit der logischen Deduktion und der großen Methode der Deduktion kann nie ein profitables Schema gefunden werden, es gibt zu viele VariantenDu gehst endlich in die richtige Richtung :)
Sie müssen lediglich eine einfache Brute-Force-Suche durchführen und das beste Modell auswählen.
Sie werden nie ein profitables Schema durch logische Schlussfolgerung und die große Methode der Deduktion finden, es gibt zu viele VariantenAber das Lustige ist, dass diese Zustände 5 und 7 sich am häufigsten ändern, sie sind nicht kontinuierlich in der Zeit und eine andere Sache ist, dass sie zwischen sich selbst wechseln))
der Graph der Zustandsübergänge
So sieht es aus, wenn Sie sie eintauschen. Rot ist verkaufen und blau ist kaufen
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 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 dafür gegeben, wie man mit dieser Art von Mist arbeiten kann.
Die Frage ist die Interpretierbarkeit des letztendlich gewählten Modells (welches tatsächlich gehandelt wird).
aber das Lustige ist, dass diese Zustände 5 und 7 am häufigsten wechseln, sie sind nicht kontinuierlich in der Zeit und auch das Lustige ist, dass sie miteinander wechseln))
Zustandsübergangsdiagramm
So sieht es aus, wenn Sie sie eintauschen. rot verkaufen und blau kaufen
Machen Sie es mit RL, Markovs Modell braucht Annäherung
Die Frage ist die Interpretierbarkeit des resultierenden Modells (das tatsächlich gehandelt wird).
induktive Modelle sind in der Regel nicht interpretierbar, egal ob es sich um genetische Programmierung oder neuronale Netze handelt... es dauert lange, sie wieder in ihre Bestandteile zu zerlegen
python und r haben wahrscheinlich entsprechende Pakete
Beispiel für BäumeNun, wenn man alles über RL macht, muss das Markov-Modell durch etwas angenähert werden
Er ist bereits durch den Viterbi-Algorithmus in 10 Zustände unterteilt, also im Grunde wie ein Cluster.
Ich denke, der Preis sollte vor der Rückgabe angenähert werden, oder sollte man keine Rückgabe durchführen?
Übrigens, wenn sich jemand mit "cmm" beschäftigen möchte, hier ist ein Artikel mit Code und Beispielen in R
http://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/