Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2836
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
Haben sich Ihre Lernergebnisse verbessert?)
Nein, leider nicht.
Ich schaue mir gerade die Website von Lopez de Prado an . https://quantresearch.org/Patents.htm.
Er hat ein neues Patent, das im September veröffentlicht wurde (Tactical Investment Algorithms through Monte Carlo Backtesting).
Viele wertvolle Ideen, zum Beispiel betont er das Nowcasting (kurzfristige Vorhersagen).
Zitat: "Kurzfristige Vorhersagen sind statistisch zuverlässiger als langfristige Vorhersagen".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Die wichtigsten Erkenntnisse aus der Coronavirus-Pandemie.
Welche Lehren können wir aus dieser Krise ziehen?
1. mehr Nowcasting, weniger Prognosen
2. Theorien entwickeln, keine Handelsregeln
3. vermeiden Sie Allregime-Strategien
Nein, leider nicht.
Ich sehe mir gerade die Website von Lopez de Prado an . https://quantresearch.org/Patents.htm.
Er hat ein neues Patent, das im September erteilt wurde (Tactical Investment Algorithms through Monte Carlo Backtesting).
Viele wertvolle Ideen, zum Beispiel betont er das Nowcasting (kurzfristige Vorhersage).
Zitat: "Kurzfristige Vorhersagen sind statistisch zuverlässiger als langfristige Vorhersagen".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Die wichtigsten Erkenntnisse aus der Coronavirus-Pandemie.
Welche Lehren können wir aus dieser Krise ziehen?
1. mehr Nowcasting, weniger Prognosen
2. Theorien entwickeln, keine Handelsregeln
3. vermeiden Sie Allregime-Strategien
Nein, leider nicht.
Hatten Sie eine gute Ausbildung oder gar keine Ausbildung?
Ist die Ausbildung gut verlaufen oder hat sie überhaupt nicht stattgefunden?
Normal, in dem Sinne, dass die Berechnung korrekt ist (ich hatte max Sharpe auf Stufe 3 - 4), aber da die Klasse ohne njit Dekorator ist, ist das Training sehr langsam.
Es ist ok, in dem Sinne, dass die Berechnung korrekt ist (max Sharpe ich hatte war auf Stufe 3 - 4), aber da die Klasse ist ohne die njit Dekorator, ist das Lernen sehr langsam
Was ist ein njit-Dekorator ?
Was ist ein njit-Dekorateur?
ein Anhang von Pandas-Entwicklern zur Beschleunigung der Codeausführung in Funktionen
Dabei spielt es keine Rolle, ob es in der Vergangenheit oder in der Zukunft liegt. Und der Prüfer selbst hat damit nichts zu tun.
Wichtig ist die Eigenschaft des Algorithmus (Optimierungsalgorithmus einzeln oder als Teil eines Gitters), das globale Optimum des Bewertungskriteriums zu finden. Ich betone - das Bewertungskriterium. Das Bewertungskriterium ist nicht unbedingt und/oder nur der Gewinn. Es kann alles sein, zum Beispiel ist das Bewertungskriterium der Arbeit an OOS kein Kriterium (Minimierung der Differenz zwischen Probe und OOS)? - Es ist nur ein Gedanke. Die Kriterien können alles Mögliche und von beliebiger Komplexität sein. Es ist wichtig zu verstehen, dass das Kriterium "Gewinn" eine sehr glatte und diskrete Sache ist, so dass man versucht, glattere, monotonere Bewertungskriterien zu finden, was im Allgemeinen die Qualität der Optimierung selbst und des neuronalen Trainings im Besonderen verbessert.
Um also auf das hochkünstlerische Bild zurückzukommen, das ich gezeichnet habe - eine visuelle Veranschaulichung der Tatsache, dass unter Bedingungen, in denen weder die Anzahl noch die Eigenschaften der lokalen Extrema bekannt sind, der einzige Ausweg darin besteht, so weit wie möglich nach demjenigen zu suchen, der unter den Bedingungen begrenzter Rechenkapazitäten überhaupt möglich ist.
Plateau - ja, es gibt einen solchen Begriff, aber er hat nichts mit Optimierung zu tun, sondern mit der Klassifizierung ähnlicher Parametersätze nach bestimmten Merkmalen. Die Suche nach einem stabilen Plateau ist eine eigene komplexe Aufgabe.
Noch einmal: Extrema sind wertlos: ein instabiler Punkt, den es auch nicht gibt, da wir es mit zufälligen Prozessen zu tun haben, und zwar mit nicht-stationären.
Wir müssen nach einem Plateau suchen, auch nach dem in der Abbildung gezeigten, solange es sich lohnt, auch wenn es über dem lokalen und globalen Minimum liegt. Ein solches Plateau stellt theoretisch die Obergrenze der Rentabilität des TS dar. Und die gefundenen Extrema sind gar nichts - sie liegen definitiv nicht in der Zukunft, aber es besteht Hoffnung auf ein Plateau
Sie haben eine merkwürdige Vorstellung von einem "Plateau". Ein Plateau ist keine Art von Bereich auf der untersuchten Funktion, sondern eine Reihe von Parametersätzen auf einem bestimmten Attribut.
Der Gewinn hat nichts mit der Nicht-Stationarität von Reihen zu tun und noch weniger mit der Fähigkeit des Netzes, zu lernen und mit ähnlichen Ergebnissen auf unbekannten Daten zu arbeiten.
Sie nehmen eine Funktion wie den Gewinn wörtlich, d.h. so, als ob diese Funktion wie ein Gleichgewichtsdiagramm in einem Tester aussieht.
Noch einmal: Extrema sind wertlos: ein instabiler Punkt, den es im Übrigen nicht gibt, denn wir haben es mit zufälligen Prozessen zu tun, und zwar nicht stationären.
Wir müssen nach einem Plateau suchen, auch nach dem in der Abbildung gezeigten, solange es sich lohnt, auch wenn es über dem lokalen und globalen Minimum liegt. Ein solches Plateau stellt theoretisch die Obergrenze der Rentabilität des TS dar. Und die gefundenen Extrema sind gar nichts - sie liegen definitiv nicht in der Zukunft, aber es besteht Hoffnung auf ein Plateau
Bei der Optimierung geht es nicht darum, etwas zu finden, von dem man nicht weiß, was es ist, sondern darum, beispielsweise die Rentabilität des TS zu verbessern.
Sie haben die gesamte Fläche des Interesses in einer normalen Situation, und vor allem die Extrema als eine Erhöhung des potenziellen Gewinns, sagen wir mal. Und Sie werden Zeit haben, bis zum Plateau hinunter zu rollen.
Oder die ganze Oberfläche ist gesunken und es ragen nur noch Extreme und Plateaus aus dem Wasser, die gefunden werden müssen? Dann ist es schon eine erste Anpassung.
Es ist, als würde man sich zusammensetzen und sagen: "Lasst uns etwas optimieren und nach einem Plateau suchen", und wenn wir ein Plateau finden, dann liegt dort ein Schatz. Sehen Sie das auch so?
Natürlich gibt es Hoffnung auf Rettung, aber sie ist vernachlässigbar.
Ich stelle mir vor, dass der Prozess der Suche nach funktionierenden neuronalen Netzen durch ein Beispiel veranschaulicht wird: Es gibt einen imaginären Berg Everest, der einen einzigen Gipfel hat. Die Aufgabe besteht darin, eine Straße zum Gipfel zu bauen, so dass der Winkel der Straße 3 Grad nicht überschreitet und der Weg so kurz wie möglich ist. Wenn man einen geraden Weg zum Gipfel sucht, dann werden sicher viele Leute abstürzen und sterben (sie werden weinen, wenn sie unten ankommen, plattgedrückt, und sich über die Nicht-Stationarität der Windrose beschweren). warum braucht man ein solches Maximum? es gibt eine andere Funktion, die Ableitung der Bergfunktion, die zwei Kriterien enthält - den Neigungswinkel des Berges und die Länge der Straße. Das Problem reduziert sich auf die Optimierung und die Suche nach dem Minimum dieser Ableitungsfunktion vom Berg (Minimierung des Neigungswinkels und der Weglänge). Diese Funktion wird also viele lokale Extrema und nur ein globales haben. Wenn wir dieses Problem lösen, werden wir einen sicheren Weg zum Gipfel des Everest finden, niemand wird sterben und die Nicht-Stationarität der Winde wird uns nichts ausmachen. aber "Plateau" sollte nicht als eine bestimmte Plattform auf dem Berg verstanden werden, auf der man eine Pause machen kann, sondern als eine Gruppe von Wegoptionen mit ähnlichen Eigenschaften von Winkel*Länge, die den Sicherheitsanforderungen genügen.
So ist es auch, ganz allgemein. Nicht jeder Algorithmus ist in der Lage, einen "sicheren" Weg zu finden. Sowohl die Sucheigenschaften als auch die Konvergenz und die Konvergenzgeschwindigkeit sind wichtig.