Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2605

[mytarmailS]

Maxim Dmitrievsky #:

Gerüchten zufolge ist das Tamburintanzen nicht mehr in Mode

Es heißt, wenn man nichts zu sagen hat, sollte man besser nichts sagen.

[Доктор]

Aleksey Nikolayev #:

Selbst wenn Sie Recht haben, ist das ein Problem mit der Prämisse, nicht mit der Konstruktion. Aber ich nehme an, dass es bei Ihren Strategien einen Haken gibt. Zum Beispiel sind die Gewinne nicht viel höher als die Einlagenzinsen oder die Volatilität ist zu hoch. Andernfalls würde man hoffen, viele solcher Strategien zu finden und zu einem umfangreicheren Portfolio zusammenzustellen.

Der Gewinn liegt im dreistelligen Bereich, die Volatilität ist minimal. Sie ist jedoch nicht skalierbar, und das Portfolio kann nur durch Erhöhung der Anzahl der Instrumente (Märkte) zusammengestellt werden.Die Strategie ist nicht von mir).

[Aleksey Nikolayev]

Arztnummer:

Der Gewinn liegt im dreistelligen Bereich, die Volatilität ist minimal. Sie lässt sich jedoch nicht skalieren, und das Portfolio kann nur durch die Erhöhung der Anzahl der Instrumente (Märkte) aufgebaut werden.Die Strategie ist nicht von mir )).

Ich glaube bedingungslos alles, was dort steht. Ich bedaure nur, dass es für die letzten zwei Jahre keine Ergebnisse gibt)

[Доктор]

Aleksey Nikolayev #:

Ich glaube bedingungslos alles, was dort steht. Ich bedaure nur, dass es für die letzten zwei Jahre keine Ergebnisse gibt)

Der Autor ist in engen Kreisen weithin bekannt. Auf die Frage, ob es für das Jahr 20XX Ergebnisse geben wird, antwortet er in der Regel, dass es keinen Sinn hat, etwas zu schreiben, da das Ergebnis von Jahr zu Jahr dasselbe ist. Letzter Eintrag in der Ressource vom 29.03.2021

[Renat Akhtyamov]

Arztnummer:

Der Autor ist in engen Kreisen weithin bekannt. Auf die Frage, ob es für das Jahr 20XX Ergebnisse geben wird, antwortet er in der Regel, dass es keinen Sinn hat, etwas zu schreiben, da das Ergebnis von Jahr zu Jahr dasselbe ist. Der letzte Eintrag in der Ressource ist vom 29.03.2021

durchgesickert....

[Renat Akhtyamov]

Aleksey Nikolayev #:

1) Ich denke, es ist offensichtlich, dass es keine Möglichkeit gibt und geben kann, zu beweisen, dass ein in der Geschichte etabliertes Muster zwangsläufig auch in der Zukunft funktionieren wird.

2) Die Existenz einer Methode, die auf der Grundlage von Daten aus der Vergangenheit ein deterministisches (nicht zufälliges) Muster für die Zukunft erstellt, wäre eine Negation von (1)

Wir haben nur eine Kreuzvalidierung, die nur die Homogenität eines Musters in der Geschichte feststellen kann. Wir können das Muster nur interpolieren, nicht extrapolieren. Wir haben nur eine sehr schwache PROPOSITION, dass ein gut interpoliertes Muster auch gut extrapoliert werden kann. Dies ist kein deduktiver Schluss, sondern lediglich ein induktiver - eine Variante des Analogieschlusses.

Regelmäßigkeiten werden sich ergeben, wenn das System geschrieben und nicht philosophiert wird.

Ich sage es Ihnen noch einmal

das System mit der Einstellung schreiben, nicht unterzugehen und kein Geld zu verdienen.

---

um nicht unbegründet zu sein, werden Sie die Reaktionen des Kotiers auf bestimmte Aktionen des Systems verstehen/erkennen/sehen

In der Regel sind dies:

- GEP

- schwarzer Schwan

- Entwicklung

- flach

- Haarnadeln und lange Schwänze

Alle diese Regelmäßigkeiten stehen in keinem Zusammenhang mit den von den Theoretikern allgemein akzeptierten Ursachen

die Theorie, die Sie brauchen, und genug Wissen, um ein Handelssystem aufzubauen, hier

[Aleksey Nikolayev]

Arztnummer:

Der Autor ist in engen Kreisen weithin bekannt. Auf die Frage, ob es für das Jahr 20XX Ergebnisse geben wird, antwortet er in der Regel, dass es keinen Sinn hat, etwas zu schreiben, da das Ergebnis von Jahr zu Jahr dasselbe ist. Der letzte Eintrag in der Ressource ist vom 29.03.2021.

Verstehen Sie mich nicht falsch - nicht, dass ich in Frage stelle, was diese Person geschrieben hat oder Ihre Empfehlung an sie. Es ist nur so, dass dieses Forum, wie viele andere auch, voll von Aussagen ist, die in etwa so lauten: "Wir haben DIESE Art von Geräten, aber wir werden Ihnen nichts darüber sagen! Wenn wir in einem Fall glauben, was ist dann der Grund dafür, dass wir uns weigern, in anderen ähnlichen Fällen zu glauben? Aber es ist völlig unmöglich, auf diesem sehr wackeligen Boden etwas Sinnvolles aufzubauen. Daher ziehe ich es vor, mich auf schwächere, aber substanzielle und zumindest irgendwie überprüfbareBehauptungen zu stützen.

[mytarmailS]

Aleksey Nikolayev #:

Ich glaube bedingungslos alles, was dort steht. Ich bedaure nur, dass es für die letzten zwei Jahre keine Ergebnisse gibt)

Aleksey Nikolayev #:: Aleksey Nikolayev #:: Aleksey Nikolayev #: 5 c ±.

Aleksey, handeln Sie im Allgemeinen oder sind Sie auf der Suche?

[Aleksey Nikolayev]

mytarmailS #:
Ahahah 5s ±

Alexey, handeln Sie überhaupt oder suchen Sie etwas?

Ich versuche, beides zu tun, aber bisher tendiere ich deutlich zur Theorie.

[Maxim Dmitrievsky]

Es gibt eine Frage wie diese:

Es werden zwei Modelle verwendet. Der eine sagt voraus, ob man kaufen oder verkaufen soll, der andere, ob man handeln soll oder nicht.

Zuerst wird das erste Modell trainiert, dann schauen wir, wo es schlechte Vorhersagen macht, markieren diese Beispiele als "nicht handeln", die anderen guten als "handeln" und trainieren dann das zweite Modell.

Das erste Modell wird nicht nur im Trainingsbereich, sondern auch im zusätzlichen Bereich getestet, und das zweite Modell wird in beiden Bereichen trainiert.

Wir wiederholen diesen Vorgang mehrere Male und trainieren beide Modelle mit demselben Datensatz. Die Ergebnisse verbessern sich allmählich bei den Proben. Aber nicht immer bei der Kontrollprobe.

Parallel dazu führen wir ein Protokoll der schlechten Geschäfte für alle Durchgänge, in dem alle "schlechten" Geschäfte für "nicht zu handeln" gesammelt werden, um das zweite Modell zu trainieren und nach einem bestimmten Prinzip zu filtern: je mehr Kopien von schlechten Geschäften für alle Durchgänge, desto größer die Chance, sie als "nicht zu handeln" zu markieren.

to_mark = BAD_SAMPLES_BOOK.value_counts()
mean = to_mark.mean()
marked_idx = to_mark[to_mark > mean*bad_samples_fraction].index
pr2.loc[pr2.index.isin(marked_idx), 'meta_labels'] = 0.0

Zum Beispiel wird für jedes Datum eine bestimmte Anzahl von schlechten Geschäften für alle Iterationen des Trainings akkumuliert. Wenn diese Anzahl einen Schwellenwert (Mittelwert, Durchschnitt) überschreitet, werden diese Geschäfte als "nicht handeln" markiert. Die restlichen Gewerke werden übersprungen, da es sonst möglich wäre, alle Gewerke auszuschließen, wenn es viele Trainingsiterationen gibt.

bad_samples_fraction

Mit dem Koeffizienten können Sie die Anzahl der Abschlüsse am Ausgang anpassen. Je niedriger er ist, desto mehr Abschlüsse werden herausgefiltert.

... An diesem Punkt bin ich schon müde zu schreiben ...

Wie kann eine solche Kombination von Modellen so verbessert werden, dass sie ihre Ergebnisse auf einer neuen unabhängigen Fläche verbessert?
Gibt es eine Philosophie, warum das funktionieren könnte? Abgesehen von der Tatsache, dass sich die Modelle bei jeder Umschulung natürlich verbessern (der Fehler sinkt), stellt sich die Frage, wie man die Anpassung loswerden kann.

Illustration. Das Diagramm ist in 3 Teile aufgeteilt. Der letzte trainiert das erste Modell, der vorletzte und letzte das zweite, das erste Drittel ist ein Prüfungsbeispiel. Natürlich wird der letzte Abschnitt der beste sein und das erste Drittel der schlechteste.

In diesem Fall wurden beide Modelle in 15 Iterationen unter Verwendung des Protokolls der schlechten Geschäfte neu trainiert.

Iteration: 0, R^2: 0.025863859193577587
Iteration: 1, R^2: 0.20881945768090338
Iteration: 2, R^2: 0.38691567117849557
Iteration: 3, R^2: 0.8538667616323108
Iteration: 4, R^2: 0.6289257079331403
Iteration: 5, R^2: 0.49590724745042913
Iteration: 6, R^2: 0.6899198178561211
Iteration: 7, R^2: 0.7914478307518835
Iteration: 8, R^2: 0.6271633947453318
Iteration: 9, R^2: 0.5022724259087565
Iteration: 10, R^2: 0.8568310685006555
Iteration: 11, R^2: 0.042448644454852524
Iteration: 12, R^2: -0.17980715185584073
Iteration: 13, R^2: 0.8294648122002825
Iteration: 14, R^2: 0.7615234602466088