Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1189

[Maxim Dmitrievsky]

Aleksey Nikolayev:

No he visto nada en la rama sobre los criterios de información(bayesianos o de Akaike). ¿Quizás se utilizan por defecto (en los paquetes de MO aplicados)?

se utiliza la entropía cruzada o la pérdida logarítmica

para la clasificación multiclase y binaria, respectivamente

para las tareas de regresión al cuadrado medio. (rms) y similares

creo que esto es akaike

[Maxim Dmitrievsky]

He comprobado el PCA y el LDA para el preprocesamiento de los predictores (eliminando la colinealidad). Como era de esperar, no funciona con datos nuevos porque los propios componentes empiezan a rebotar, aunque el modelo puede estar ligeramente mejor entrenado con ellos en el tren. Pero como los propios componentes se comportan de forma imprevisible con los nuevos datos, es lo mismo e incluso peor. En general, muchas de las técnicas clásicas del modus operandi simplemente no se aplican al mercado, o mejor dicho, no funcionan de frente.

[Aleksey Nikolayev]

Maxim Dmitrievsky:

se utiliza la entropía cruzada o Log Loss

para la clasificación multiclase y binaria, respectivamente

para las tareas de regresión de la media-cuadrada. (rms) y similares

Supongo que se trata de Akaike.

Parece que sí.

[Aleksey Nikolayev]

Maxim Dmitrievsky:
Comprobado el PCA y el LDA para el preprocesamiento de los predictores (eliminando la colinealidad). Como era de esperar, no funciona con los nuevos datos porque los propios componentes empiezan a rebotar, aunque el modelo puede aprender un poco mejor sobre ellos en bandeja. Pero como los propios componentes se comportan de forma imprevisible con los nuevos datos, es lo mismo e incluso peor. En general, muchas de las técnicas clásicas de MO simplemente no son aplicables al mercado.

Debido a la no estacionariedad, a veces es necesario descartar la historia obsoleta:

1) Necesitamos un algoritmo adecuado para descartar la parte obsoleta de la muestra (buscar la discontinuidad).

2) La parte restante de la muestra será siempre de longitud variable y a menudo corta. Aquí también necesitamos modelos correctos.

[Igor Makanu]

Maxim Dmitrievsky:

Esto ya se ha implementado en el nuevo artículo, pero no del todo como nos gustaría.

¿de qué artículo estamos hablando?

[Maxim Dmitrievsky]

Igor Makanu:

¿de qué artículo estamos hablando?

que se ha sometido a moderación, aún no se ha publicado

[Aleksey Nikolayev]

Maxim Dmitrievsky:

hay otro enfoque, que veo como el más prometedor en este momento: forzar los modelos mediante la enumeración de las variables de salida

A grandes rasgos, el comerciante virtual negocia un número pseudo-aleatorio de veces (como Monte Carlo o la genética), cada vez que observa su comercio y corrige las posiciones erróneas, convierte las no rentables a grandes rasgos, para que se conviertan en rentables.

después de cada pase se vuelve a entrenar en las operaciones corregidas. Esto ya está implementado en el nuevo artículo, pero no del todo como nos gustaría. Necesitamos combinaciones interesantes de salidas que dependan de las condiciones actuales del mercado, por ejemplo, de la dispersión y la pendiente sobre n barras. Para cada una de estas características se selecciona una distribución de la que se toman muestras de operaciones aleatorias y, de la misma manera, se corrigen las operaciones no rentables y se entrenan con ellas. Después de muchas pasadas se busca la estrategia óptima (basada en el error mínimo en la muestra de prueba).

Estimados conocedores, presten atención, Pregunta: Cómo organizar de forma interesante las dependencias de las características probabilísticas actuales del mercado y las distribuciones de las que se muestrean las salidas aleatorias. En este caso, tanto el número de operaciones como algunas dependencias dentro del modelo cambiarán, es decir, obtendremos una gran cantidad de diversos modelos (soluciones) rentables, entre los cuales se seleccionará el modelo óptimo según un criterio de optimización personalizado (error del modelo, estabilidad en los nuevos datos).

Las salidas parecen tener sentido cuando la reducción de la renta variable es superior a la especificada y su crecimiento es demasiado lento en comparación con la volatilidad (relación pequeña entre la asimetría y la varianza)

No está muy claro cómo este enfoque ayudará a combatir la no estacionalidad).

[Igor Makanu]

Maxim Dmitrievsky:

que se ha sometido a moderación, aún no se ha publicado

gracias, esperaré, ¡ahora no me lo perderé!

[mytarmailS]

interesante artículohttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

y el blog en general

[Aleksey Vyazmikin]

mytarmailS:

interesante artículohttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

y el blog en general.

¿Has probado a expresar su indicador en código?

1) находим максимум минус минимум для каждого из 10 дней, предшествующих настоящему моменту; 
2) берем сумму этих значений (сумма частей); 
3) находим 10-дневный диапазон: 10-дневный максимум минус 10-дневный минимум; 
4) делим сумму частей на целый диапазон – это основная мера фрактальной размерности/сложности; 
5) берем 60-дневную среднюю 10-дневной серии значений сложности – это метрика квартального хаоса/стабильности; 
6) используем 252-дневное нормальное распределение z-оценки или ранг процентиля метрики хаоса/стабильности; 
7) значения, которые выше 0,5, показывают, что рынок находится в режиме «хаоса» и гораздо менее предсказуем и нестационарен, значения ниже 0,5 показывают, что рынок стабилен и намного более предсказуем.