Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1639
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
Estoy completamente de acuerdo.
Me lo he preguntado muchas veces, y creo que es necesario comparar los resultados de un sistema con su potencial en un área determinada.
Hoy estaba pensando en esto, en cómo hacerlo mejor y de forma más universal. Me imagino que el proceso de aprendizaje consta de varios pasos, el primero de los cuales es el marcado de la muestra, y se puede marcar en base a algunas estrategias de señalización. Estas estrategias deben ser primitivas pero tienen potencial, por ejemplo, el cruce de la MA por el precio genera una señal de entrada en la dirección de dicho cruce o viceversa. Entonces el entrenamiento es sólo una forma de filtrar las señales falsas. Si se acepta esta suposición, podemos calcular en qué medida, en términos porcentuales, es eficaz dicho filtrado en cada intervalo de tiempo. La más sencilla sería calcular la precisión y la exhaustividad de la clasificación en relación con la estrategia básica. Hay otras opciones: las métricas. Entonces podremos ver cómo cambia la eficacia del modelo, incluso si empieza a perder dinero.
También parece una buena idea construir un sistema basado en un conjunto completo de sistemas primitivos pero significativos. La exhaustividad significa que es posible escoger sistemas rentables de este conjunto para cualquier pieza de cotización. El significado es más o menos lo que usted llama potencial. Entonces voy a construir una cartera de este conjunto con pesos dependiendo del tiempo.
Tengo algo de práctica. No he notado ningún cambio en un mes desde el último entrenamiento, incluso después de que el bitcoin se perdiera en gran medida. Lo único que le afecta es el periodo justo después del movimiento del activo manipulado, durante este tiempo la red neuronal está completamente perdida y habla sin sentido, cuanto más se aleja de dicha tormenta más adecuadas se vuelven las predicciones.
La práctica suele demostrar que "los árboles nunca crecen hasta el cielo". Tarde o temprano el patrimonio/balance de cualquier EA/cartera comenzará a disminuir considerablemente y hay que hacer algo al respecto.
Es bastante desconcertante que el problema de la no estacionariedad se ignore casi por completo en este hilo. Por alguna razón, se supone que los patrones encontrados en el pasado funcionarán en el futuro, y si no funcionan, es que se ha producido un sobreaprendizaje. Pero es muy posible que algunas pautas dejen de funcionar con el tiempo, de forma gradual o incluso a pasos agigantados (por ejemplo, como resultado de una crisis como la actual).
El problema que veo es que los patrones IO son complejos y mal interpretados por los humanos. Si empiezan a tener un mal rendimiento, es imposible distinguir (dentro de los modelos) la variante de sobreaprendizaje de la variante de no estacionariedad. En el análisis convencional siempre se puede decir: "cambio de tendencia", "ruptura de nivel/canal", etc.
Pero creo que debemos tener en cuenta la "física" de las citas de los símbolos. Su principal característica, en mi opinión, es el cambio, a veces muy rápido y drástico, de las características estadísticas de una serie temporal. En este sentido, sería razonable crear primero un clasificador que ordenara el historial en secciones con características estadísticas similares y les diera números del 1 al 20, por ejemplo. Y luego, para que cada tipo de mercado similar cree su propia ST individual. Pero realmente no sé cómo dar con predictores para esa partición de las series temporales en tramos con características estadísticas similares.
Por supuesto, pero en mi opinión deberíamos confiar en la "física" de las cotizaciones de los instrumentos financieros. Su principal característica, en mi opinión, es el cambio, a veces muy rápido y drástico, de las características estadísticas de una serie temporal. En este sentido, sería razonable crear primero un clasificador que ordenara el historial en secciones con características estadísticas similares y les diera números del 1 al 20, por ejemplo. Y luego, para que cada tipo de mercado similar cree su propia ST individual. Pero cómo pensar en predictores para tal partición de las series temporales en segmentos con características estadísticas similares - realmente no puedo imaginarlo.
Suelo referirme a estas zonas como "estados de mercado". Cada estado puede corresponder a una cartera de sistemas primitivos. Supongo que se podrían utilizar algunas redes recursivas para segmentar el mercado en estados y comparar las carteras con ellos.
Me pregunto dónde encontraré una chica que entienda de redes neuronales. Estaba buscando una chica que supiera de redes neuronales para poder despotricar de esos temas después de johnnshpokhan. Creo que deberíamos trasladarnos a la capital. Ahí es donde todos parecen concentrarse.
Normalmente hay que elegir entre un johnanshpohan normal o una charla interminable sobre asuntos elevados.
Cada estado puede corresponderse con alguna cartera de sistemas primitivos.
De acuerdo, la cuestión es que las series de precios no son continuas, son continuas a trozos - dependiendo de la valatilidad, esto suele corresponder al tiempo de funcionamiento de las sesiones
por lo que la esperanza de entrenar una red neuronal simplemente deslizando una serie de precios tiende a cero, imho
pero si dividimos la serie de precios por el tiempo de las sesiones y la entrenamos por -sesión, entonces perderemos la información sobre la sobrecompra.... ¿otra vez se cierra el círculo? - nada funciona
Normalmente hay que elegir entre un johnanshpohan normal o una charla interminable sobre asuntos elevados.
De acuerdo, la cuestión es que la serie de precios no es continua, es continua a trozos - dependiendo de la valorización, esto suele corresponder al tiempo de funcionamiento de la sesión
así que esperar entrenar una red neuronal simplemente presentándole una serie de precios tiende a cero, imho
pero si dividimos la serie de precios por el tiempo de las sesiones y la entrenamos por -sesión, entonces perderemos la información sobre la sobrecompra.... ¿otra vez se cierra el círculo? - nada funciona
Puedes deshacerte de las fluctuaciones de la volatilidad de la sesión pasando a un zigzag o renko, ¿verdad? Por supuesto, la estructura de tiempo natural se verá afectada, pero puedes introducir el tiempo normal como un indicador establecido para cada rodilla/ladrillo.
Las fluctuaciones de la volatilidad de la sesión pueden eliminarse cambiando a un zigzag o renko, ¿verdad? Por supuesto, la estructura de tiempo natural se verá afectada, pero es posible introducir el tiempo normal como un conjunto de indicadores para cada rodilla/ladrillo.
Ya he perdido el tiempo con él. No sólo pierdo completamente la información de OHLC, sino que además tengo un lag de 2 veces la altura del ladrillo de Renko - se retrasa mucho
Lo mismo ocurrirá probablemente con ZigZag, pero no lo he tratado directamente