Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 836

 
Maxim Dmitrievsky:

Para un comerciante, es una competencia que entrena sus modelos y los desliza, suerte - buena, mala suerte - nada que perder

Tienes las asociaciones equivocadas. Si su modelo no es aceptado por exceso de ajuste o por falta de entrenamiento, significa que necesita mejorar su habilidad. Hay que tener un poco de suerte.

 
Dr. Trader:

Tienes las asociaciones equivocadas. Si su modelo no es aceptado porque está sobredimensionado o poco entrenado, significa que su habilidad necesita ser mejorada. La suerte no tiene nada que ver.

¿Cuánto tiempo duran los modelos? Si tienen concursos todo el tiempo, ¿es a corto plazo?

Para mí, es más importante dar algo de dinero para obtener beneficios.

 

Un nuevo recorrido cada semana. En una semana tienes que entrenar el modelo y enviarles las predicciones. Pero la estimación a futuro de su modelo sólo se conocerá después de otras tres semanas, sus predicciones se compararán con las reales para esas 3 semanas.

Creo que se quedan con al menos el 90%.

 
Maxim Dmitrievsky:

:))) Empezaré a releer tu tema cuando termine de estudiar RL

Y sólo asumir que sus predictores serán mejores que los míos, eso sería genial

Maxim, el archivo adjunto contiene el BP para AUDCAD obtenido a intervalos de lectura de ticks exponenciales (para ser más exactos - distribución geométrica discreta a n=0,5).

Columna A - Oferta

Columna B - Pregunta

Columna C - Intensidad en la ventana deslizante = 10.000

Columna E - Sello de tiempo.

Cuando la marca de tiempo =0, entonces se trata de un pseudomarcador artificial.

Es decir, todavía hay un PA real "sentado" dentro de este pseudo-patrón.

¿Se puede extraer el PA real del PA de origen e introducir 2 PA de retorno en la red neuronal? Uno - original (pseudo+real), el segundo - sólo real.

Interesante.

Cuando se trabaja con el BP inicial (pseudo+real), hay que tener en cuenta que se trabaja con el hilo más simple sin memoria

Paso 2. En esta BP inicial, debe tomar sólo una de cada dos cotizaciones. Obtendrá un flujo Erlang de segundo orden con consecuencia. Compruébalo.

Paso 3: En este BP inicial debe tomar sólo una de cada tres cotizaciones. Obtendrá el flujo de Erlang de 3er orden con consecuencia. Compruébalo.

Etc.

Si consigues algo increíble - tienes una señal.

Archivos adjuntos:
 
Alexander_K2:

Maxim, en el archivo adjunto - BP para AUDCAD obtenido en intervalos exponenciales de lectura de ticks (más precisamente - distribución geométrica discreta en n=0,5).

Columna A - Oferta

Columna B - Pregunta

Columna C - Intensidad en la ventana deslizante = 10.000

Columna E - Sello de tiempo.

Cuando la marca de tiempo =0, entonces se trata de un pseudomarcador artificial.

Es decir, todavía hay un PA real "sentado" dentro de este pseudo-patrón.

Se puede extraer el BP real del BP de origen y alimentarlo en la red neuronal con 2 BPs de retorno. Uno - original (pseudo+real), el segundo - sólo real.

Interesante.

Intentaré meterlo en ns mañana ya )

 
Maxim Dmitrievsky:

Intentaré ponerlo mañana).

He añadido el algoritmo de comprobación allí también. Tengan cuidado, por favor.

 
Alexander_K2:

También he añadido un algoritmo de comprobación. Sólo ten cuidado, por favor.

Sí, veo que será más complicado con las garrapatas, pero lo haré con cuidado)

Convertir estas secuencias en símbolos personalizados de МТ5 y obtener símbolos listos... si funcionan

 
Maxim Dmitrievsky:

Sí, ya veo, será más complicado con las garrapatas, pero haré algo ordenado).

Estas filas que usted necesita para convertir en símbolos personalizados de MT5, aparecerán como símbolos listos separados ... si tienen éxito

Bueno, puedes hacer lo contrario - primero selecciona el flujo Erlang de orden 100 y baja al más simple :))

 

Sobre el tema de la predicción de la volatilidad. Digamos que predecir la volatilidad es mucho más fácil que predecir la propia cotización

E incluso hay todo tipo de modelos como https://en.wikipedia.org/wiki/Markov_switching_multifractal

¿Qué da, cómo utilizarlo correctamente, alguien lo ha hecho alguna vez?

Markov switching multifractal - Wikipedia
Markov switching multifractal - Wikipedia
  • en.wikipedia.org
The MSM model can be specified in both discrete time and continuous time. Let denote the price of a financial asset, and let r t = ln ⁡ ( P t / P t − 1 ) {\displaystyle r_{t}=\ln(P_{t}/P_{t-1})} denote the return over two consecutive periods. In MSM, returns are specified as r t = μ + σ ¯ ( M 1 , t M 2 , t...
 
Maxim Dmitrievsky:

Sobre el tema de la predicción de la volatilidad. Digamos que predecir la volatilidad es mucho más fácil que predecir la propia cotización

E incluso hay todo tipo de modelos como https://en.wikipedia.org/wiki/Markov_switching_multifractal

¿Qué hacen, cómo se usan, alguien ha hecho algo con ellos?

En los mercados financieros se denomina GARCH, a diferencia del aprendizaje automático, a la corriente principal (junto con la cointegración y las carteras).

Los modelos tienen en cuenta un montón de matices estadísticos de los incrementos, incluidas las colas gruesas y la memoria larga a la Hurst.

Por ejemplo, hay una publicación sobre la elección de los parámetros de los modelos GARCH en TODOS los valores, incluidos en el índice S&P500.

Hay muchas publicaciones sobre la aplicación en Forex. El conjunto de herramientas está muy bien desarrollado. Por ejemplo, el paquete rugarch.



Así que dejemos la granja, salgamos a la carretera y vayamos a la marcha "Adiós a Slavyanka".