Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2841

Nuevo comentario
 
Permítanme ampliar el punto de Alexei. En la entrada sólo tenemos datos pasados. En la historia, un sistema ideal sería "memorizar" todos los movimientos de los datos disponibles. Esta es la tarea de la interpolación: seleccionamos una función que describa perfectamente los datos históricos. Existen infinitas funciones de este tipo. A medida que aumente la profundidad de la historia, cada vez serán menos, cada vez será más difícil encontrarlas, pero más allá de la historia disponible el 99% de estas funciones restantes estarán señalando con el dedo al cielo. Desgraciadamente, nos interesa la zona situada fuera de la historia (extrapolación). Lo primero que podemos intentar es buscar regularidades internas: comprobar si hay autocorrelación, construir un espectro de Fourier, mirar diversas estadísticas, etc. Pero si se trata de un sistema complejo (caos, PRNG, señal encriptada), estos métodos son ineficaces. Lo único que nos queda es intentar encontrar una función que describa aproximadamente los datos futuros y pasados (aproximación), mediante validación cruzada, pruebas con varios pares y otros métodos indirectos. Y aquí llegamos a la conclusión de que la ST clásica y la NS tienen mucho en común en la optimización: encontrar los coeficientes de alguna función por métodos indirectos. Para ello, los NS utilizan la minimización de sko, varianza, etcétera. Pero en el trading son más preferibles otros criterios, como la maximización del beneficio, la minimización del drawdown, etc. En general, independientemente del método de resolución del problema (mediante NS o de otro modo), todo se reduce a encontrar los coeficientes de la función de aproximación. A continuación, se añade la lógica adicional: stops, take-outs, MM, PM, etc.
 
Desde un punto de vista puramente técnico, no se puede encontrar una superficie de optimización adecuada repasándolo todo. Y cuanto más de todo, menos posibilidades. La optimización no resuelve nada en este asunto, y sólo funciona en su propio ámbito: mejorar lo bueno.

Aquí podemos estar de acuerdo con Prado: "deja de optimizar, busca patrones".

Limpio. Técnicamente. No se puede. Encontrar un TC adecuado a través de la optimización.

Así que las mesetas y los picos que no coinciden con los nuevos datos se caen solos. Simplemente no hay tal problema, si no haces tonterías.
 
¿Qué atributos utiliza fxsaber a la hora de diseñar su sistema de negociación?
 
Maxim Dmitrievsky #:
Prado: "deja de optimizar, busca patrones"

Si es puramente formal, la lógica está coja - cualquier optimización siempre tiene lugar dentro de algún modelo, como forma de encontrar sus parámetros. Es decir, siempre se encuentra algún modelo).

Está claro que se refiere al hecho de que ningún algoritmo de optimización puede arreglar un mal modelo. La cuestión que se plantea es cómo distinguir los buenos modelos de los malos. Si no hay conocimiento a priori (por ejemplo, puedes intentar averiguar qué modelos utiliza fxsaber 😆 ), entonces tendrás que recurrir a algunos métodos a posteriori, que obviamente te llevarán a la optimización).

 
Aleksey Nikolayev #:

Si es puramente formal, la lógica está coja: cualquier optimización siempre tiene lugar dentro de algún modelo como forma de encontrar sus parámetros. Es decir, siempre se encuentra algún modelo.)

Está claro que se refiere al hecho de que ningún algoritmo de optimización puede arreglar un modelo malo. La cuestión que se plantea es cómo distinguir los buenos modelos de los malos. Si no hay conocimiento a priori (por ejemplo, puedes intentar averiguar qué modelos utiliza fxsaber 😆 ), entonces tendrás que recurrir a algunos métodos a posteriori, que obviamente se reducirán a la optimización).

No puedo discutir los enfoques de otras personas, ya que no estoy bien informado. Pero basándome en mi propia experiencia, lo que funcionaba lo encontraba en internet o a través de mis propias inferencias y luego lo confirmaba en internet. Para toda la historia de mi carrera de trading, hubo probablemente 2 estrategias optimizadas, ambas sobre el retorno a la media, una de ellas sobre Martin, que ganó algo, pero no por mucho tiempo :). Y hubo bastantes intentos de optimización, pero al final sólo 2 estrategias, y no eran tan buenas.

Uno de ellos ganó 1500% durante todo el tiempo puramente en la caída del mercado y se fusionó cuando cambió, pero los fondos fueron retirados con ganancias. El segundo aún menos.

Y esto es 10 + años, tal vez incluso 15, de búsquedas constantes / periódicas a través de la optimización.

Por supuesto, alguien puede argumentar que sólo soy estúpido y él es d'Artagnan, pero no lo creo.
 
Maxim Dmitrievsky #:
No puedo discutir los enfoques de otras personas, ya que no estoy bien informado. Pero basado en mi propia experiencia, lo que funcionó fue encontrado en Internet, o a través de mis propias conclusiones y luego confirmado en Internet. Para toda la historia de mi carrera comercial, había probablemente 2 estrategias optimizadas, tanto en el retorno a la media, uno de ellos en Martin, que ganó algo, pero no por mucho tiempo :). Y hubo bastantes intentos de optimización, pero al final sólo 2 estrategias, y no eran tan buenas.

Uno de ellos ganó 1500% durante todo el tiempo puramente en la caída del mercado y se fusionó cuando cambió, pero los fondos fueron retirados con ganancias. El segundo aún menos.

Y esto es 10 + años, tal vez incluso 15, de búsquedas constantes / periódicas a través de la optimización.

Por supuesto, alguien puede argumentar que sólo soy estúpido y él es d'Artagnan, pero tengo poca fe.
El año 14 fue más tranquilo y el descenso más largo. Ahora es parecido, pero más corto e impredecible.
Es un hobby, parte de la vida).
 
Valeriy Yastremskiy #:
El año 14 fue más tranquilo y el descenso más largo. Ahora es parecido, pero más corto e imprevisible.
Es un hobby, una parte de la vida)
Como si hubiera y en parte hay otras estrategias, pero no pertenecen a las estrategias de optimización de ninguna manera

En su momento esas 2 rectas me dieron un buen trato, no me negué nada, pero no fue mucho tiempo ).
 
Maxim Dmitrievsky #:
No puedo discutir los enfoques de otras personas, ya que no estoy bien informado. Pero basado en mi propia experiencia, lo que funcionó fue encontrado en Internet, o a través de mis propias conclusiones y luego confirmado en Internet. Para toda la historia de mi carrera comercial, había probablemente 2 estrategias optimizadas, tanto en el retorno a la media, uno de ellos en Martin, que ganó algo, pero no por mucho tiempo :). Y había un buen montón de intentos de optimizar, pero sólo 2 estrategias en el final, y eso no es tan bueno.

Uno de ellos ganó 1500% durante todo el tiempo puramente en la caída del mercado y se fusionó cuando cambió, pero los fondos fueron retirados con ganancias. La segunda incluso menos.

Y esto es 10 + años, tal vez incluso 15, de búsquedas constantes / periódicas a través de la optimización.

Por supuesto, algunos podrían argumentar que sólo soy estúpido y él es d'Artagnan, pero yo no lo creo.

La palabra "optimización" tiene mala reputación en nuestro foro por razones obvias. Así que es bastante comprensible querer huir de alguna manera de ella y ni siquiera utilizar la propia palabra. Sin embargo, cualquier entrenamiento de un modelo MOE es casi siempre optimización, y no se pueden quitar palabras a una canción.

No quiero herir los sentimientos de nadie, enseñarle la vida o explicarle cómo hacer negocios) escribo sólo con la débil esperanza de que metaquotes tenga en cuenta mis observaciones a la hora de implementar MO en MT5.

 
Aleksey Nikolayev #:

De hecho, también está optimizando. Te has inventado algún criterio de "estacionariedad de las características" y tomas las características óptimas de acuerdo con él. Es la misma optimización en la historia, pero en el perfil.

Definitivamente deberíamos inventar un criterio de robustez de TS y optimizar según él) Volveremos a obtener la misma optimización en la historia, pero en un perfildiferente).

Genial, en términos de tolerancia.

Vas a una tienda, eliges unos pantalones... ¡optimización en función de tu figura!

Aquí estamos hablando de algo completamente diferente - el refinamiento de los algoritmos de optimización disponibles en los modelos. Me opongo al perfeccionamiento de los algoritmos de optimización ya incorporados. Hay un algoritmo en el probador - bien. El perfeccionamiento de este algoritmo no le permitirá obtener una TS rentable a partir de una TS agotadora. Lo mismo ocurre con los algoritmos incorporados en los modelos.

Además, debe tener mucho cuidado al optimizar los parámetros del modelo, ya que puede volver a entrenarlo fácilmente.

He llegado a la reflexión más importante: la indudable conexión entre la optimización y el sobreentrenamiento del modelo. El modelo debe dejarse siempre bastante "grueso" y, desde luego, no se necesitan óptimos globales.


Cuando busco una lista aceptable de predictores: optimización en el sentido de los pantalones. Pero el significado es muy distinto: se trata de evitar "basura dentro - basura fuera". Aquí hay una diferencia cualitativa con intentar encontrar el algoritmo "correcto" que encuentre el óptimo global. Ningún óptimo global dará un TS rentable sobre la basura.

 

Maxim Vladimirovich, ¿qué opina de la agrupación cuántica?

https://github.com/enniogit/Quantum_K-means

1...283428352836283728382839284028412842284328442845284628472848...3399
Nuevo comentario