Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 138

 
mytarmailS:
Gracias, no me lo habría imaginado.

Sería muy interesante ver el resultado.

Yo lo hacía, incluso tengo el código en alguna parte.

1. El código dado no es suficiente para tomar decisiones. Necesitas umbrales y umbrales flotantes.

2. Puedes conseguir sistemas muy rentables con un factor de beneficio de hasta 10.

PERO.

El factor de beneficio es inferior a 5 pips. La contabilidad generalizada mata toda la belleza. Y además de la difusión, también hay regalos

 
SanSanych Fomenko:

Sería muy interesante ver el resultado.

El tema del arbitraje está fuera de lugar aquí, pero daré una breve respuesta si te interesa...

Ya tenía un arbitraje que funcionaba, quería mejorarlo filtrando las señales de entrada de una manera tan complicada - en la ventana deslizante contamos la fuerza de cointegración (proximidad de dos BPs) y sólo cuando los BPs están fuertemente cointegrados entre sí empezamos el arbitraje...

el resultado de dicho filtrado es ambiguo, no puedo clasificarlo como bueno o malo

al utilizar la primera variante, durante las pruebas el sistema produjo una media del 7% de beneficios al mes con un factor de recuperación del 3

filtrada, el sistema tenía una media de 5,7% al mes y 5,5 PV

por lo que gana menos pero es más estable...

enlaces interesantes con ejemplos sobre la "R" en ruso:

sobre la diferencia de correlación con la cointegración

http://www.algorithmist.ru/2011/08/time-series-similarity-measures.html

http://www.algorithmist.ru/2011/09/time-series-test-for-cointegration.html

sobre el emparejamiento y el arbitraje

http://rforfinance.ru/pairs-trade/

http://rforfinance.ru/rolling-window/

Сравнение временных рядов
Сравнение временных рядов
  • 2011.08.29
  • SergE
  • www.algorithmist.ru
Огромное количество данных в data mining вообще и в финансах в частности приходит к нам в виде временных рядов. Это не удивительно, ведь очень часто нас интересуют какие-то события или показатели изменяющиеся во времени. При этом, огромный пласт классической математики веками создавался для работы с множествами чисел. В результате, одним из...
 
mytarmailS:

El tema del arbitraje está fuera de lugar aquí, pero te responderé brevemente si te interesa...

Ya tenía un arbitraje que funcionaba, quería mejorarlo filtrando las señales de entrada de una manera tan complicada - en la ventana deslizante contamos la fuerza de cointegración (proximidad de dos BPs) y sólo cuando los BPs están fuertemente cointegrados empezamos el arbitraje...

el resultado de dicho filtrado es ambiguo, no puedo clasificarlo como bueno o malo

al utilizar la primera variante, durante las pruebas el sistema produjo una media del 7% de beneficios al mes con un factor de recuperación del 3

filtrada, el sistema tenía una media de 5,7% al mes y 5,5 PV

por lo que gana menos pero es más estable...

enlaces interesantes con ejemplos sobre la "R" en ruso:

sobre la diferencia de correlación con la cointegración

http://www.algorithmist.ru/2011/08/time-series-similarity-measures.html

http://www.algorithmist.ru/2011/09/time-series-test-for-cointegration.html

sobre el emparejamiento y el arbitraje

http://rforfinance.ru/pairs-trade/

http://rforfinance.ru/rolling-window/

Gracias. El primer enlace hizo que la descripción sonriera. Dos alconofts en camino.
 
Alexey Burnakov:
Gracias. La descripción en el primer enlace es divertidísima. Vienen dos alconofts.

:)

 
Alexey Burnakov:


Por cierto, el Sr. Perervenko no dijo nada sobre este tipo de redes en su artículo sobre redes neuronales. Sólo he encontrado una mención en todo el artículo. Y se podría desvelar la cuestión de la aplicabilidad a las series temporales (de forma reflexiva).

Alexei

Habrá un artículo (o dos) aparte sobre las redes neuronales recursivas (RNN, CNN y LSTM). Ejemplos utilizando mxnetR y quizás mxnet(Python).

Por cierto, hay un paquete mxnet en el repositorio CRAN. Es cierto que hay que hacer algo de gimnasia para añadir los optimizadores de GitHub (RMSProp, Adam, AdaGrad y AdaDelta). Estoy probando estas características ahora.

Buena suerte

 
Vladimir Perervenko:

Bien, será interesante leerlo.

La CNN no es una red recurrente en sí misma.

install.packages("drat", repos="https://cran.rstudio.com")
drat::: addRepo("dmlc")
install.packages("mxnet")
 

A raíz de la lectura de este artículo me surgió una pregunta:

¿Por qué todos, incluido yo, nos quedamos con los pronósticos derivados de un único par de divisas? Hay muchos pares de divisas, y los pares no monetarios son una docena...

 
SanSanych Fomenko:

Influenciado por el artículo que he leído, me ha surgido una pregunta:

¿Por qué todos, incluido yo, nos quedamos con los pronósticos derivados de un único par de divisas? Hay muchos pares de divisas, y los pares no monetarios son una docena...

¿Qué te hace pensar que "todos"? :)
 

Para mí todo es cuestión de riesgo: intento correr al menos un pequeño riesgo. Puedes crear un Asesor Experto que opere con éxito en docenas de pares durante muchos años, pero ¿para qué? El beneficio será probablemente de un par de puntos porcentuales al año, lo mismo que poner el dinero en el banco en un depósito sin riesgo.
Si se toma un solo par y se enseña al modelo a operar bien con él durante un año, se puede esperar un beneficio del 10% al mes, lo cual es mejor.
Si se enseña el modelo para sólo 2 meses de datos - probablemente funcionará con éxito durante una semana, pero traerá estos 10% en un período aún más corto.

Cuanto más reducido sea el conjunto de datos (en términos de tiempo y número de pares) que tiene que aprender un modelo, más rentable será con los nuevos datos. Pero se quedará obsoleta y dejará de ser rentable mucho antes. Por lo tanto, es mucho más arriesgado: alguna noticia puede llegar a romper todo el modelo y habrá que volver a buscar nuevos predictores y parámetros del modelo.

 
Y para mí, si no puedes saber en qué rango estará tu comercio en el futuro, es sólo adivinar por los posos del café. Hay que saber de antemano dónde se va a estar aproximadamente y este conocimiento debe ser objetivo.