Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 139
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Todo esto parece académico.
Según recuerdo, con más de 100.000 observaciones, incluso el cotier original es casi estacionario.
¿Y qué?
Después de todo, lo más probable es que estemos trabajando en un terminal en una ventana de 100-150 observaciones. En general, ¿cuál debería ser el tamaño de la ventana? ¿Y para qué?
Si para eliminar los predictores de ruido, un gran número, tal vez hasta 10.000. ¿Necesita 100.000 para eliminar los predictores de ruido?
En realidad, el tamaño de la muestra tiene que estar relacionado de algún modo con algunas características estacionarias del mercado. En el caso que nos ocupa, los predictores de ruido deben serlo para intervalos de tiempo bastante grandes.
Esta es la etapa de eliminación del ruido.
El siguiente paso es entrenar el modelo para asegurarse de que no está sobreentrenado.
Si conseguimos encontrar un conjunto de predictores en el que el modelo no esté sobreentrenado, entonces todo lo demás tiene sentido. De lo contrario, cualquier conversación es totalmente vacía. No olvidemos que es mucho más fácil construir una TS reentrenada a sabiendas utilizando indicadores que utilizando todos esos artilugios de inteligencia artificial, cuyo resultado seguirá siendo una TS sobreentrenada.
Así que tenemos un cierto conjunto de predictores que no lleva a un reentrenamiento. El valor de la rentabilidad no importa, lo principal es tener esa rentabilidad y que no fluctúe mucho en las diferentes muestras.
Y ahora el siguiente paso.
Tomamos una pequeña ventana = 100-500 observaciones y la utilizamos para enseñar el modelo seleccionando predictores, por ejemplo, por rfe. Esto reducirá aún más el conjunto de predictores. Por experiencia en dos tiempos.
Utilizando este conjunto reducido de predictores, hacemos una predicción exactamente un paso por delante. Esta predicción debe tener normalmente un intervalo de confianza: es el riesgo.
Operamos dentro de la predicción. Es decir, predecimos el día siguiente y operamos en M5. En la mitad del movimiento previsto ponemos TP.
Al salir de todas las posiciones desplazamos la ventana, seleccionamos los predictores por rfe y volvemos a predecir.
El error de predicción es un error en cada paso, no en todos a la vez.
Pero el valor práctico no es este valor, sino el valor del factor de beneficio/pérdida o lo que sea al menos en el probador.
Todo parece académico.
///
Sustituiré todas tus conclusiones por una sola frase: los predictores sin ruido funcionarán en una muestra infinitamente grande. Por lo tanto, el cribado del ruido debe realizarse en una muestra lo más amplia posible.
Si sus "predictores sin ruido" funcionan en una muestra finita del cociente, entonces son ruido local.
Bien, será interesante leerlo.
La CNN no es una red recurrente en sí misma.
Hablando de redes convolucionales. Este tipo de red neuronal no está diseñada para resolver problemas de regresión. Por eso los resultados del experimento público fueron decepcionantes.
Las tareas que debe resolver la CNN son la clasificación, la localización, la detección y la segmentación.
Se trata, pues, de "notas al margen".
Buena suerte
Hablando de redes convolucionales. Este tipo de red neuronal no está diseñada para resolver problemas de regresión. Por eso los resultados del experimento público son deplorables.
Las tareas que resuelve la CNN son la clasificación, la localización, la detección y la segmentación.
Son sólo "notas al margen".
Buena suerte
¿Está seguro de que la clasificación no puede representarse como regresión y viceversa? Al fin y al cabo, este bloque se resuelve en capas totalmente conectadas, ¿y qué diferencia hay? ¿Tienes un pruf?
Y por cierto los resultados no son deplorables. ¿Por qué tan decidido? Es que la función es bastante compleja y la red deja de distinguirse del ruido (me refiero a una red con enlaces completos). ¿Lo has resuelto tú mismo o estamos haciendo demagogia?
Chicos, ¿alguien tiene cotizaciones intradía, preferiblemente índices M5, necesito tres instrumentos, al menos 50.000 velas
1) Euro Stoxx 50 oEuro Stoxx 600
2) Dow Jones o S&P 500 o NASDAQ
3) Par EUR/USD
Si tienes alguno, por favor, házmelo saber para experimentos, te lo agradeceré mucho.
Alexey Burnakov:
Si sus "predictores sin ruido" funcionan en un segmento de cociente limitado, entonces son ruido local.
¿Qué quiere probar en las muestras más largas posibles? ¿La hipótesis de los mercados eficientes? Hay un montón de noobiles por ahí, incluyendo a los quebrados que han predicado esa hipótesis.
Yo, en cambio, hablo de una aplicación muy concreta de las herramientas. Y esa especificidad para mí se resume en la frase: "media vuelta por adelantado". En este marco, el horizonte de predicción óptimo es de 1 semana, y para tranquilizar el corazón, de 2 meses.
Todo lo demás tiene que ajustarse precisamente a la retirada de beneficios. Aquí y ahora. Lo que ocurría antes del 87 no es interesante. No es interesante lo que ocurrió antes del 97, y si vamos más allá, la siguiente frontera es el 2007. A la hora de elegir un periodo de tiempo para identificar los predictores de ruido hay que tener algún tipo de consideración significativa de que el periodo anterior será similar al futuro. ¿Funciona todo igual después del Brexit que antes? y ¿qué pasa después de las elecciones en Estados Unidos? Hay choques políticos y desplomes bursátiles no relacionados con la política, y dividen los datos históricos en trozos.
vídeo -https://www.youtube.com/watch?v=-INzzOXxkhU
En mi opinión, ésta es una de las formas correctas de desarrollo, y resuelve ampliamente tanto el problema de la selección del ruido como el del reentrenamiento(todo en teoría, por supuesto)
1) Buscamos situaciones recurrentes en el historial: una especie de selección de características
2) Calculamos la estadística de la reacción del precio en el patrón, digamos, 10 descensos y 1 crecimiento y resulta que hicimos lo siguiente
1. Hemos identificado patrones fuertes con buenas estadísticas (selección cualitativa de características)
2. Hemos entendido que el patrón no se repite (selección cualitativa de rasgos)
3. Esencialmente, hemos revalidado el rasgo al calcular todas las estadísticas sobre él.
4. nos hemos librado de la recalificación, ya que hemos eliminado todo lo innecesario, dejando sólo lo que ha funcionado bien en nuestra historia
y todo esto en una sola botella :)
p.d. al ver el video mira el indicador, no vi ni una sola vez que se equivocara en el pronóstico, y eso es mucho...
¿Qué quiere demostrar con las muestras más largas posibles? ¿La hipótesis de los mercados eficientes? Hay un montón de novatos por ahí, incluidos los quebrados que predicaban esa hipótesis.
En realidad, estoy demostrando que en la muestra máxima disponible las dependencias de los fics seleccionados son reproducibles, lo que es directamente lo contrario de tu afirmación. El mercado es ineficiente a lo largo de la historia.
No voy a comentar el resto de tus puntos: es tu preferencia.
vídeo -https://www.youtube.com/watch?v=-INzzOXxkhU
En mi opinión, ésta es una de las formas correctas de desarrollo, y resuelve ampliamente tanto el problema de la selección del ruido como el del reentrenamiento(todo en teoría, por supuesto)
1) Buscamos situaciones recurrentes en el historial: una especie de selección de características
2) Calculamos la estadística de la reacción del precio en el patrón, digamos, 10 descensos y 1 crecimiento y resulta que hicimos lo siguiente
1. Hemos identificado patrones fuertes con buenas estadísticas (selección cualitativa de características)
2. Hemos entendido que el patrón no se repite (selección cualitativa de rasgos)
3. Esencialmente, hemos revalidado el rasgo al calcular todas las estadísticas sobre él.
4. nos hemos librado de la recalificación, ya que hemos eliminado todo lo innecesario, dejando sólo lo que ha funcionado bien en nuestra historia
y todo esto en una sola botella :)
p.s. al ver el video observar el indicador, no he visto ni una sola vez que se equivocara en el pronóstico, y esto es fuertemente ...
Todo es cierto.
No he visto el vídeo, ya que estoy convencido de que se puede encajar cualquier cosa para que quede bonito con la historia que se quiera. La verdad no es bonita. Demostrar que el modelo no está sobreentrenado es muy difícil.
Para mí todo es cuestión de riesgo, intento arriesgarme al menos un poco. Puede crear un Asesor Experto que opere con éxito en una docena de pares durante muchos años, pero ¿para qué? El beneficio será probablemente de un par de puntos porcentuales al año.....
Bueno, ni siquiera lo has probado... :)
Sólo un pequeño informe sobre mis experimentos con el arbitraje estadístico.
Todavía no he decidido los parámetros, he cogido los mejores según el test rápido, tampoco me he preocupado de la gestión del dinero.
Así que decir, que los nuevos datos "aguantan el arbitraje" mucho mejor que aquellos sistemas que yo utilizaba, utilizando el aprendizaje automático, lo aguanta 10 veces mejor...
Qué raro... he conseguido más en medio día de experimentar con el arbitraje que en medio año con el machine learning. No sólo es extraño, es molesto...
La primera es que hay un gran problema con el arbitraje:
la primera es que hay una reducción significativa de +/- 30%
Y la segunda, aún no se me ocurre cómo acoplar el aprendizaje automático a ella :)