L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 116
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Le marché évolue contre ses propres statistiques, c'est une théorie que j'ai confirmée par la pratique, c'est la seule théorie que je connaisse qui réponde à toutes les questions, depuis la raison pour laquelle le modèle ne fonctionne pas sur de nouvelles données jusqu'à la raison pour laquelle tout le monde perd de l'argent sur le marché en premier lieu...
pourquoi est-ce si difficile pour toi d'accepter ça ?
les anciennes connaissances et habitudes sont-elles si amortissantes pour les nouvelles informations ?
pourquoi se concentrer autant sur le modèle alors que la différence de performance entre les modèles se situe entre 0,5 et 5 % ?
Aucun modèle ne peut aider car il s'agit des données elles-mêmes.
Vous pouvez comprendre une pensée, une information qui doit être habillée en termes et concepts communs.
Mais avec vos appels répétés, vous montrez une ignorance crasse, une ignorance des choses les plus simples en matière de statistiques.
Le marché évolue en fonction des statistiques, mais les statistiques sont différentes. Cette notion est fondamentale lorsque le mot "statistiques" est utilisé. Si vous ne comprenez pas cela, vous montrez des graphiques qui ne vous disent rien.
Tout ce que vous écrivez comme réfutation des statistiques dans votre compréhension est une réfutation de la partie des statistiques qui est applicable aux processus aléatoires STATIONNAIRES. Sur les marchés financiers, il n'y a pas de processus stationnaires - seulement des processus non stationnaires qui sont différents des processus stationnaires parce que les caractéristiques dérivées des données historiques ne sont pas applicables aux nouvelles données. Désolé, mais c'est élémentaire. Vous ne pouvez pas appliquer les outils des statistiques stationnaires à des séries chronologiques financières non stationnaires.
Ici, nous sommes occupés à essayer d'entraîner des modèles sur des données historiques non stationnaires pour qu'ils aient approximativement les mêmes caractéristiques dans le futur. C'est le problème que nous résolvons. Et je soutiens qu'en respectant scrupuleusement un certain nombre de techniques, ce problème peut être résolu.
Je suis désolé, je suis fatigué de votre ignorance.
Le marché évolue contre ses propres statistiques, c'est une théorie que j'ai confirmée par la pratique, c'est la seule théorie que je connaisse qui donne des réponses à toutes les questions, depuis la raison pour laquelle le modèle ne fonctionne pas sur de nouvelles données jusqu'à la raison pour laquelle tout le monde perd de l'argent sur le marché en premier lieu...
pourquoi est-ce si difficile pour vous de l'accepter ?
C'est vrai, presque. Il ne va pas à l'encontre du modèle, il passe simplement de manière aléatoire d'un bruit à un autre, en fonction des ajustements intégrés du modèle au bruit. C'est si c'est comme ça que vous avez fait la modélisation. Vous seul en êtes responsable.
Faites un autre modèle où le marché marchera sur des statistiques trouvées.
Qu'est-ce qui doit être accepté ici ? Le fait que nous fabriquons des modèles et qu'ils sont surentraînés ? Ou la croyance que "le marché marche contre ses propres statistiques". Nous ne sommes pas une organisation religieuse pour croire en de saintes fictions.
Mais si vous écrivez une étude dans laquelle vous essayez 100 méthodes sur toutes les données forex et concluez que toutes sont surentraînées et ne donnent pas de profit, alors nous la lirons avec plaisir. Mais une micro-étude, basée sur quels principes, n'est pas un indicateur.
Je partage un article intéressant. Cela me semble logique, c'est une bonne tentative. Il existe des milliers de modèles qui présentent de beaux résultats commerciaux lors de la formation et des tests. Il y a des données hors échantillon. Elle commence à vérifier la procédure de sélection du modèle. Le graphique de l'article est le même que le mien. Faible corrélation entre le test et la validation. Ainsi, la sélection des modèles en fonction des meilleurs résultats des tests ne donne aucune supériorité hors échantillon.
Et voyez par vous-même ce qu'ils font là-bas.
https://blog.quantopian.com/using-machine-learning-to-predict-out-of-sample-performance-of-trading-algorithms/
Le marché évolue contre ses propres statistiques, c'est une théorie que j'ai confirmée par la pratique.
Si le marché est dominé par une tendance ou un côté et que les facteurs de base du modèle tentent de prédire la poursuite de la tendance ou les renversements à partir des limites du canal, alors il n'est pas surprenant que le modèle de contre-tendance (appris à partir des côtés) soit renversé dans une région où la tendance prévaut et qu'il fasse un profit.
Mais le fait est que votre "théorie" n'est pas toujours confirmée dans la pratique, mais seulement lorsque la tendance se transforme en contre-tendance et vice versa.
Cela se produit le plus souvent si une grande partie des prédicteurs sont insignifiants - des déchets - et qu'un seul est le plus significatif, comme le momentum. Dans ce cas, le prédicteur le plus significatif obtiendra un gros facteur de pondération pendant "l'apprentissage", et les autres ne seront que légèrement bruités avec de petits poids.
Si le marché est dominé par une tendance ou un côté et que les principaux facteurs du modèle tentent de prédire la poursuite de la tendance ou les renversements à partir des limites du canal, il n'est pas surprenant que le modèle de contre-tendance (appris des côtés) soit "inversé" dans la zone où la tendance prévaut et qu'il réalise un profit.
Mais le fait est que votre "théorie" n'est pas toujours confirmée dans la pratique, mais seulement lorsque la tendance se transforme en contre-tendance et vice versa.
Cela se produit plus souvent si une partie considérable des prédicteurs sont insignifiants - des déchets - et que l'un d'entre eux est le plus significatif, par exemple le momentum. Dans ce cas, le prédicteur le plus significatif obtiendra un facteur de pondération important pendant la "formation", tandis que les autres ne seront que légèrement bruités avec des poids faibles.
Une telle théorie est TOUJOURS confirmée dans la pratique.
Parce que la seule caractéristique statistique stable du marché est la non-stationnarité - plus la tendance ou la phase plate est longue, plus il est facile de l'identifier statistiquement et plus il est probable que la tendance change.
Il s'agit de la seule caractéristique statistique stable d'une série de prix.
Cette théorie est TOUJOURS confirmée dans la pratique.
Parce que la seule caractéristique statistique stable d'un marché est la non-stationnarité - plus la tendance ou la phase plate est longue, plus elle est facile à identifier statistiquement et plus la tendance est susceptible de changer.
C'est la seule caractéristique statistique stable d'une série de prix.
1) S'agit-il d'un graphique avec les données sur lesquelles la formation elle-même a eu lieu, ou s'agit-il simplement d'un test sur de nouvelles données ?
2) Si c'était aussi simple, il suffirait d'entraîner n'importe quel modèle et d'inverser ses prédictions. Cela ne fonctionne pas, malheureusement.
3) Le problème n'est pas que les modèles donnent des résultats opposés, mais que sur certaines barres le résultat sera correct, sur d'autres il sera faux, et tout cela est aléatoire et il n'y a aucun moyen de filtrer uniquement les résultats corrects.
4) Et pourquoi retirez-vous la prédiction S de la prédiction B ? Peut-être que tu devrais faire le contraire, S-B ? Alors tout d'un coup, la corrélation sera correcte aussi.
1) tester sur de nouvelles données, je n'ai même pas regardé les données d'entraînement pour une raison quelconque.
2) oui ! cela ne fonctionne pas, car le graphique bleu obtenu n'a aucune capacité prédictive, il se retourne en même temps que le graphique de prix régulier ou même une bougie plus tard, mais rarement, il est impossible d'en tirer profit, mais cela vous donne un aperçu du processus que je voulais vous montrer
3) Vous voyez, il n'y a pas de hasard sur le graphique, le graphique est complètement inversement corrélé avec le prix.
4) Si nous exprimons les signaux d'achat et de vente de manière quantitative, par exemple, acheter = 10 points, vendre a 5 points.
acheter - vendre = 5 ( plus de baies d'accord)
et si
acheter - acheter égale - 5 (c'est ridicule)
1) Oui, presque. Il ne va pas à l'encontre du modèle, il passe simplement de façon aléatoire d'un bruit à un autre, en fonction des ajustements intégrés du modèle au bruit. Enfin, si vous avez procédé à la modélisation de cette manière. Vous seul en êtes responsable.
2) Faites un autre modèle où le marché marchera sur les statistiques trouvées.
3) Qu'est-ce qui doit être accepté ici ? Le fait que nous fabriquons des modèles et qu'ils sont surentraînés ? Ou la croyance que "le marché marche contre ses propres statistiques". Nous ne sommes pas une organisation religieuse pour croire en de saintes fictions.
1) voyez-vous un caractère aléatoire dans le graphique bleu par rapport au prix ?
2) Ce n'est pas aussi facile qu'il n'y paraît.
3) essayez de le réfuter ;) ce que vous dites est un canular - c'est un canular aussi, mais c'est juste le vôtre ... êtes-vous d'accord ?
Mais le fait est que votre "théorie" n'est pas toujours confirmée dans la pratique, mais seulement lorsque vous passez de la tendance à la contre-tendance et vice versa.
Le graphique bleu va à l'encontre des petits et des grands mouvements. Si vous regardez un graphique de 200 chandeliers, il va à l'encontre du prix et si vous regardez 20 000 chandeliers, l'image sera la même.
Désolé, je suis fatigué de votre ignorance.