Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 109
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 lo que se dice sobre el desvanecimiento gradual del modelo sobre OOS y la utilidad de esta información en el comercio parece poco convincente si no se habla de la preselección de predictores.
Ato.
Si un modelo da señales erróneas en el OOS es un indicio de formación defectuosa, no de que el mercado haya cambiado.
Estoy de acuerdo con esto. ¿Cómo se analizan las señales de dos redes? No está del todo claro... ¿Cómo divergen o están al unísono?
Llevando las señales a un patrón común como este:
VENDER COMPRAR Interpretación
-1 0 vender
0 0 valla
0 1 comprar
-1 1 valla
En un modelo bien entrenado, las señales rara vez se contradicen. No se les exige el mismo número de señales en el área de formación, y por regla general, son diferentes, y esto es comprensible, porque el mercado puede tener tendencias globales prolongadas. Pero restrinjo el número de señales de una parrilla para que no supere 2 veces el número de señales de la otra. No puedo responder por qué es 2 veces, pero es una relación empírica. Por ejemplo, si la tendencia cambia de ascendente a descendente, la cantidad de señales de venta aumenta y las señales de compra comienzan a mentir, se produce una contradicción y la cantidad de transacciones disminuye, esto es una señal de que se requiere una nueva formación.
Llevando las señales a un patrón común como este:
VENDER COMPRAR Interpretación
-1 0 vender
0 0 valla
0 1 comprar
-1 1 valla
En un modelo bien entrenado, las señales rara vez se contradicen. No se les exige el mismo número de señales en el área de formación, y por regla general, son diferentes, y esto es comprensible, porque el mercado puede tener tendencias globales prolongadas. Pero restrinjo el número de señales de una parrilla para que no supere 2 veces el número de señales de la otra. No puedo responder por qué es 2 veces, pero es una relación empírica. Por ejemplo, si la tendencia cambia de ascendente a descendente, la cantidad de señales de venta aumenta y las señales de compra comienzan a mentir, se produce una contradicción y la cantidad de transacciones disminuye - esto es una señal de que se requiere una nueva formación.
Sí, pero no en la configuración neuronal.
Andrei parece estar insinuando unas entradas tan potentes que cualquier modelo se ajustará a ellas por defecto para dar resultados buenos y sin retoques.
O tal vez se refiera a otra cosa. Pero se agradecería una respuesta más detallada.
Nueva versión de jPrediction 9.00
Cita del manual de usuario:
" Diferencias entre jPrediction y otros programas de aprendizaje automático
La principal diferencia de jPrediction es la ausencia de ajustes definidos por el usuario, lo que le permite librarse del factor humano en forma de errores humanos, tanto en el proceso de configuración y selección de algoritmos como en el proceso de selección de arquitecturas de redes neuronales. Todo el proceso de aprendizaje automático en jPrediction está totalmente automatizado y no requiere ningún conocimiento especial por parte de los usuarios ni su intervención.
Funciones realizadas por jPrediction en modo automático
Dado que, del conjunto de modelos, cada uno de los cuales difiere de cualquier otra combinación de predictores, sólo se selecciona el que tiene la máxima capacidad de generalización, la reducción (selección) de los predictores más significativos se realiza así automáticamente."
Hay que decir que a partir de la versión 8, jPrediction no tiene limitaciones en cuanto al número máximo de predictores en la muestra de entrenamiento. Antes de la versión 8, el número de predictores en la muestra de entrenamiento estaba limitado a diez.
Antes de la versión 8, jPrediction era un modelo único. Es decir, se tomó una muestra y se entrenó y probó con ella un único modelo.
Desde la versión 8, jPrediction es ahora multimodelo, es decir, entrena y prueba muchos modelos diferentes, en diferentes partes de la muestra, y cada parte contiene diferentes combinaciones de predictores. Uno de estos modelos daría la máxima generalidad en la parte de la muestra que se prueba.
El problema era que si se toman diferentes combinaciones de predictores, una búsqueda completa de combinaciones da lugar a la llamada "explosión" combinatoria (del término combinatoria), es decir, con cada predictor adicional hay que entrenar y probar el doble de modelos que sin él. Es bastante obvio que cuando el número de predictores de la muestra se mide en decenas e incluso centenas, resulta problemático esperar a terminar el entrenamiento y la prueba de todos los modelos combinatorios en un tiempo razonable.
El problema de la "explosión" combinatoria en jPrediction se ha resuelto no probando todas las combinaciones posibles, sino mediante el método de búsqueda secuencial. La esencia del método es la siguiente:
Supongamos que hemos encontrado alguna combinación que contiene N predictores con la máxima generalizabilidad probando todas las combinaciones posibles de N y menos predictores. Tenemos que añadirle N+1 predictores. Para ello, añadimos uno a uno todos los predictores de la muestra que no se incluyeron en la combinación y medimos su capacidad de generalización. Si en el proceso de dicha búsqueda encontramos una combinación con N+1 predictores cuya capacidad de generalización es mayor que la mejor combinación de N predictores, podemos encontrar una combinación con N+2 predictores de la misma manera. Y si no lo encuentran, entonces está claro que no tiene sentido seguir buscando y el algoritmo de probar combinaciones se detiene en la mejor combinación de N predictores. Como resultado, el algoritmo de búsqueda de combinaciones de predictores para el modelo se detiene mucho antes en comparación con el intento completo de todas las combinaciones posibles. Se produce un ahorro adicional de recursos computacionales debido a que la búsqueda parte de un número reducido de predictores en dirección a aumentar este número. Y cuanto menos predictores se necesiten para el entrenamiento, menos tiempo y potencia de cálculo se necesita para construir los modelos.
Ese es el tipo de pastel.
Si está interesado, el archivo ZIP adjunto contiene el manual de usuario de jPrediction 9 en ruso en formato PDF:
Nueva versión de jPrediction 9.00
Todo es bueno excepto por una pequeña cosa: no hay comparación con otros modelos.
Ofrezco mis servicios para comparar
1. Se prepara un archivo Excel de entrada que contiene los predictores y la variable objetivo
2. Usted hace el cálculo
3. Me envías el archivo de entrada.
4. Hago los cálculos utilizando randomforest, ada, SVM
Comparamos.