Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1205

Nuevo comentario
 
Aleksey Nikolayev:

¿Por qué los precios y no los incrementos?

No sé cómo hacerlo mejor... y la longitud de la muestra se puede variar... mucho lío con todo esto

hay más sobre la interpretabilidad... como ¿qué hay que interpretar? sólo hay una métrica
 
FxTrader562:

Hola máximo

¿Hay algún artículo nuevo que se esté discutiendo aquí?

¿Si puede proporcionarme el enlace?

Hola, aún no se ha publicado, está a la espera de la moderación

 
FxTrader562:

Bien, si quieres, puedes proporcionarme el código para que pueda echarle un vistazo.

Mejor si esperas el artículo, porque tengo demasiadas versiones

 
mytarmailS:

Y hay una dependencia...

He entrenado el "SMM" (modelo de Markov oculto) en los retornos, lo he dividido en 10 estados y lo he enseñado sin profesor, de modo que ha dividido por sí mismo diferentes distribuciones


distribuciones estatales.


Y aquí he agrupado los rendimientos por estados, es decir, cada fila es un estado de mercado distinto

Algunos estados (1,4,6,8,9) tienen muy pocas observaciones, por lo que no se pueden tener en cuenta en absoluto

Y ahora intentaré regenerar la serie, es decir hacer una suma acumulativa, si se encuentra alguna tendencia en alguno de los estados - la regularidad en la dirección

Hice un resumen acumulativo.

Los estados 5 y 7 tienen un patrón consistente, el 5 para la bahía y el 7 para el pueblo.

por fin empiezas a ir en la dirección correcta :)

solo hay que hacer fuerza bruta con todo y elegir el mejor patrón

Con la deducción lógica y el gran método de deducción nunca se puede encontrar un esquema rentable, hay demasiadas variaciones
 
Maxim Dmitrievsky:

Por fin empiezas a ir en la dirección correcta :)

todo lo que tienes que hacer es forzar todo con una simple búsqueda de fuerza bruta y elegir el mejor modelo

Nunca encontrarás un esquema rentable por deducción lógica y el gran método de deducción, hay demasiadas variantes

pero lo curioso es que estos estados 5 y 7 son los que más cambian, no son continuos en el tiempo y otra cosa es que cambien entre sí))


el gráfico de transiciones de estado


Esto es lo que parece cuando los intercambias. El rojo es venta y el azul es compra


 
Maxim Dmitrievsky:

Ahora quiero añadir a los parámetros optimizados la dependencia de las señales de las distribuciones, lo he hecho por el principio, para ver

si la curtosis es superior a algún valor (podemos optar por él), entonces tenemos una situación plana y es posible comprar/vender con la misma probabilidad (y luego arreglar todos los errores)

Además, en cuanto a la asimetría, si hay un lado determinado, la probabilidad de la señal de compra o de venta se desplaza

Esta es una primitiva, pero es aproximadamente la forma en que el optimizador puede seleccionar los objetivos

Todo lo que necesita obtener de las métricas es el error de clasificación en una muestra de prueba (que debe ser entrenada en una muestra de entrenamiento). Los hiperparámetros se enumeran en el optimizador y se selecciona el modelo con el menor error. ¿Qué es lo que no se puede interpretar aquí? Sólo hay que saber si dicho modelo puede generalizar o no mirando los errores en los datos de prueba.

Acabo de hacer un ejemplo de cómo trabajar con este tipo de basura.


La cuestión está en la interpretabilidad del modelo eventualmente elegido (que realmente se negociará).

 
mytarmailS:

pero lo curioso es que estos estados 5 y 7 son los que más cambian, no son continuos en el tiempo y además lo curioso es que cambian entre sí))


gráfico de transiciones de estado


Esto es lo que parece cuando los intercambias. rojo vender y azul comprar


Hazlo con RL, el modelo de Markov necesita aproximación

 
Aleksey Nikolayev:

La cuestión es la interpretabilidad del modelo resultante (que realmente se negociará).

los modelos inductivos no son interpretables, por regla general, ya sea la programación genética o las redes neuronales... se tarda mucho tiempo en volver a desmenuzarlos

python y r probablemente tengan los paquetes correspondientes

ejemplo para los árboles
How to visualize decision tree
How to visualize decision tree
  • explained.ai
Decision trees are the fundamental building block of gradient boosting machines and Random Forests(tm), probably the two most popular machine learning models for structured data. Visualizing decision trees is a tremendous aid when learning how these models work and when interpreting models. Unfortunately, current visualization packages are rudimentary and not immediately helpful to the novice. For example, we couldn't find a library that visualizes how decision nodes split up the feature space. So, we've created a general package (part of the animl library) for scikit-learn decision tree visualization and model interpretation.
 
Maxim Dmitrievsky:

Bien, hazlo todo a través de RL, el modelo de Markov tiene que ser aproximado por algo

¿Por qué aproximarlo? El algoritmo de Viterbi ya lo descompone en 10 estados, como un clúster en esencia.

Creo que el precio debe ser aproximado antes de hacer las devoluciones o no hacerlas?

 

Por cierto, si alguien quiere incursionar en "cmm" aquí hay un artículo con código y ejemplos en R

http://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/

Hidden Markov Models – Examples In R – Part 3 of 4
Hidden Markov Models – Examples In R – Part 3 of 4
  • 2014.09.07
  • GekkoQuant
  • gekkoquant.com
This post will explore how to train hidden markov models in R. The previous posts in this series detailed the maths that power the HMM, fortunately all of this has been implemented for us in the RHmm package. HMMs can be used in two ways for regime detection, the first is to use a single HMM where each state in the HMM is considered a “regime”...
1...119811991200120112021203120412051206120712081209121012111212...3399
Nuevo comentario