Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2838

 
mytarmailS #:

mi ataque fue que no se pueden comparar diferentes AOs en igualdad de condiciones y decidir cuál es bueno y cuál es malo.

Cada AO tiene sus propias superficies de optimización.

La elección del AO depende de la superficie de optimización, no de simpatías subjetivas

comparo algoritmos con tres funciones de prueba completamente diferentes, de modo que se pueden ver las ventajas específicas de cada algoritmo en pruebas separadas, por lo tanto se puede ver dónde son fuertes, y por lo tanto se puede elegir el mejor para las tareas específicas del investigador. no hay subjetivismo en las pruebas, al contrario, son lo más objetivas posible.

la mayoría de los algoritmos especializados en redes tienen alguna forma de suavizado en su lógica, o momentos. están orientados a la aplicación de derivadas suavizadas de las funciones objetivo del problema. se verá dónde son fuertes y dónde no lo son tanto.

 
Andrey Dik #:

Comparo algoritmos con tres funciones de prueba completamente diferentes, para que pueda ver las ventajas específicas de cada algoritmo en pruebas separadas, de ahí que pueda ver dónde son fuertes, y por tanto pueda elegir el mejor para las tareas específicas del investigador. no hay subjetivismo en las pruebas, al contrario, son lo más objetivas posible.

la mayoría de los algoritmos especializados en redes tienen alguna forma de suavizado en su lógica, o momentos. están orientados a la aplicación de derivadas suavizadas de las funciones objetivo del problema. se verá dónde son fuertes y dónde no lo son tanto.

no se pueden comparar diferentes tipos de AO en las mismas condiciones porque resuelven problemas diferentes, ese es mi mensaje

 
mytarmailS #:

No se pueden comparar diferentes tipos de AO en las mismas condiciones porque tienen diferentes tareas que hacer, ese es mi mensaje

Creo que no entendí lo que dije la última vez.... Una vez más, es posible comparar, por eso se utilizan diferentes problemas de prueba, para comparar los algoritmos adecuadamente a las especificidades de la tarea. las pruebas muestran, para qué tareas el uso de AO es óptimo, por lo que puede elegir entre ellos.

Por ejemplo: si ADAM muestra superioridad en funciones suaves - ¡genial! - entonces es así como se debe utilizar, de lo contrario es mejor elegir otro algoritmo. Pero si ADAM caga en todas las pruebas, bueno, entonces debemos elegir algo mejor, eso es todo. hoy en día, la mayoría de la gente sólo elige algo específico de acuerdo a la "moda", sin saber si han hecho la mejor elección o no.

 
Marcas de clase perfecta y por lo tanto están en perfecto equilibrio. El aceite es aceitoso. Ahí es imposible mejorar nada.

Y seleccionar modelos por métricas personalizadas puede ser útil a veces, supongo. Pero en general todo es bling.
 
Maxim Dmitrievsky #:
Marcas de clase perfecta y por lo tanto están en perfecto equilibrio. El aceite es aceitoso. Ahí es imposible mejorar nada.

Y seleccionar modelos por métricas personalizadas puede ser útil a veces, supongo. Pero en general todo es bling.

Sí. Pero sirve para que un compañero entienda por qué se necesitan problemas derivados.
Lo ideal sería tener un conjunto completo de todos los conjuntos de parámetros del modelo (una enumeración completa) y clasificar los conjuntos por estabilidad en el oos. esto es en teoría, pero en la práctica no es una tarea factible.

 
Evidentemente no se comparan directamente algoritmos que son para cosas diferentes. Sólo es interesante ver cómo convergen, quizás haya otros más novedosos. He oído hablar de todo tipo de arquitecturas de autores de NS sobre otros principios de aprendizaje, pero no las he visto
 
Maxim Dmitrievsky #:
Y seleccionar modelos por métricas personalizadas puede ser útil a veces, supongo. Pero, en general, todo son joyas.

Mi intuición me dice que pronto se convertirá en un lugar común para MO en el trading.

No es que vaya a ser una garantía de beneficio, pero no utilizarlo se considerará una garantía de fracaso).

 

San Sanych tiene razón sobre los problemas de aplicabilidad de los resultados de la optimización en la historia debido a la no estacionariedad del mercado. El problema es que dicha optimización es lo único que tenemos. Por ejemplo, sus propias aproximaciones a la selección de características son también optimización sobre la historia, aunque más complicadas).

O algún tipo de validación cruzada, por ejemplo, que también es una optimización de la historia.

 
Aleksey Nikolayev #:

Mi corazonada es que esto pronto se convertirá en un lugar común para las MO en el comercio.

No es que vaya a ser una garantía de beneficios, pero no utilizarlo se considerará una garantía de fracaso).

Por favor, coged el optimizador de MT5 y usadlo. Hace tiempo como método general ya 😀 .

Sin embargo, los TC ganan en otros principios en su mayoría (encontrado de manera diferente). Así que la optimización no aumentará en su importancia, incluso no dedicaría tanto tiempo a tales matices

Una analogía simple: la optimización de un TS al azar en MT5 de acuerdo con diferentes criterios no conduce al éxito. Pero la optimización de una TS inicialmente buena lleva al éxito con cualquier criterio.

Todos estos picos y mesetas no tienen nada que ver con la presencia o ausencia de regularidades. Pueden coincidir aleatoriamente en la traína y la prueba, o pueden no coincidir. Este no es el tema de la investigación de Andrei.
 

Dick tiene a todos fornicando. Mastica, mastica, mastica...

La calidad de la optimización es irrelevante. Tester, independientemente del criterio, es útil en alguna selección aproximada de los parámetros. Pero se trata de nada, es suficiente para ejecutar MT5 con hacia adelante en el probador.

Hace algún tiempo, escribí un Asesor Experto para legal - JMA-MACD. El Asesor de Expertos resultó ser grande, que celebró la tendencia perfectamente, incluso funcionó bien en los laterales. Factor de beneficio superior a 3, más del 80% de las operaciones rentables.

Elresultado de la optimización era genial, exactamente de acuerdo con los requisitos de Dick. Una parte significativa del valor de beneficio o factor de beneficio formaba un conjunto denso. En el gráfico del probador tenía un aspecto estupendo: un color verde uniforme sin manchas y con un ligero brillo en uno de los bordes. Una típica meseta ligeramente convexa con la frecuencia máxima de los parámetros ligeramente inferior a la máxima.


Hice lo siguiente: optimicé para 2, 3, 6 y 12 meses en 6 pares de divisas, tomé los parámetros obtenidos y corrí a la semana siguiente. ¡Los resultados positivos fueron siempre en menos de la mitad de los casos! Pero muy a menudo sólo una pérdida.

El Asesor Experto, que era excelente en la optimización, perdía persistentemente.

No pude aceptarlo durante mucho tiempo, el resultado de la optimización fue transferido a Excel, allí obtuve diferentes características estadísticas del criterio de optimización - no pude mejorarlo. Delante de la nariz es unatípica meseta ligeramente convexa, en Excel encontró la frecuencia de los parámetros que ocurren, obtuvo que la frecuencia máxima de los parámetros es ligeramente inferior a la máxima, es decir, la distribución de la frecuencia de uso de los parámetros está fuertemente sesgada hacia el máximo.

Voy a escribir una vez más: todos los argumentos sobre la optimización extraordinaria no valen nada sin control fuera de la muestra de optimización. El beneficio en el futuro no se deriva del algoritmo de optimización.