L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1204

 
Maxim Dmitrievsky:

La solution consiste à trouver les pondérations optimales... par exemple, comment faire varier la postériorité... de l'uniforme à l'exponentielle.

Je ne suis pas un partisan des modèles de boîte noire. C'est mieux quand tout est transparent, avec une signification "physique" simple.

Par exemple - nous calculons la probabilité a priori qu'une correction devienne un renversement de tendance en utilisant un large historique, puis nous la recalculons pour chaque correction particulière dans l'historique postérieur en fonction du moment de la journée ou des caractéristiques de la tendance.

 
Aleksey Nikolayev:

Je ne suis pas en faveur des modèles de boîte noire. C'est mieux quand tout est transparent, avec une signification "physique" simple.

Par exemple - nous calculons à partir d'un large historique la probabilité a priori qu'une correction devienne un renversement, puis nous la recalculons pour chaque correction spécifique dans la probabilité a posteriori, en fonction du moment de la journée ou des caractéristiques de la tendance.

La simple signification physique des lois du Forex nous est malheureusement inconnue.

 
Maxim Dmitrievsky:

La simple signification physique des modèles de forex ne nous est pas connue, malheureusement.

Il s'agit de l'interprétabilité du modèle.

 
Aleksey Nikolayev:

Il s'agit de l'interprétabilité du modèle.

alors vous sortez du thème MO :) bien que les métamodèles soient facilement interprétables à travers leurs métriques

 
Maxim Dmitrievsky:

Alors vous n'êtes pas dans le thème du MO :) bien que les métamodèles soient facilement interprétés à travers leurs métriques.

pourquoi ? à mon avis, le problème est le même que celui de distinguer un chat d'un chien pour le ministère de la défense.

 
Igor Makanu:

Pourquoi ? À mon avis, c'est comme distinguer un chat d'un chien pour le ministère de la Défense.

Parce que c'est comme parler des langues différentes, à mon avis...

distinguer par des traits, bien sûr... ce sont des fiches
 
Maxim Dmitrievsky:

alors vous êtes hors du MO :) bien que les métamodèles puissent facilement être interprétés à travers leurs métriques

Je ne suis pas sûr que ce soit toujours facile, mais on peut y arriver. Je suppose que ce n'est pas le réseau neuronal lui-même mais son approximation simplifiée qui devrait faire le trading directement.

Sans méthodes de MO (vous pouvez l'appeler "analyse exploratoire intelligente") dans notre cas ne peut pas faire sans)

 
Aleksey Nikolayev:

Je ne suis pas sûr que ce soit toujours facile, mais on peut y arriver. Je suppose que ce n'est pas le réseau neuronal lui-même qui devrait directement faire le commerce, mais son approximation simplifiée.

Sans les méthodes MO (on peut parler d'"analyse exploratoire intelligente"), on ne peut s'en passer)

Maintenant je veux ajouter la dépendance des signaux aux distributions aux paramètres optimisés, je l'ai fait pour commencer, pour voir

     double arr[];
     CopyClose(_Symbol,0,0,100,arr);
     double kurt = MathKurtosis(arr);
     double skew = MathSkewness(arr); 
     if(kurt > 2.0) if(rand()/32767.0<0.5) res = 0; else res = 1;
     else {
      if(skew >0) if(rand()/32767.0>prob_shift) res = 0; else res = 1;
      if(skew <0) if(rand()/32767.0<prob_shift) res = 0; else res = 1;

si le kurtosis est supérieur à une certaine valeur (que vous pouvez choisir), alors une situation plate est observée et vous pouvez acheter/vendre avec une probabilité égale (et ensuite corriger toutes les erreurs).

en plus de l'asymétrie, s'il y a un certain côté, alors la probabilité du signal d'achat ou de vente est décalée.

C'est une méthode primitive, mais c'est approximativement la façon dont l'optimiseur peut sélectionner les cibles

Tout ce que vous devez obtenir des métriques est l'erreur de classification sur un échantillon de test (à former sur un échantillon de formation). Les hyperparamètres sont énumérés dans l'optimiseur, et le modèle présentant l'erreur la plus faible est sélectionné. Qu'est-ce qui n'est pas interprétable ici ? Il suffit de savoir si un tel modèle peut être généralisé ou non en examinant les erreurs sur les données de test.

Je viens de donner un exemple d'une telle maladresse.


 
Maxim Dmitrievsky:

Maintenant je veux ajouter la dépendance des signaux aux distributions aux paramètres à optimiser, je l'ai fait pour commencer, pour voir

Il s'avère qu'il existe une dépendance...

J'ai entraîné le "SMM" (modèle markovien caché) sur des rapatriés, je l'ai divisé en 10 états et je l'ai entraîné sans professeur, il a séparé différentes distributions par lui-même.


les distributions des états.


Et ici, j'ai regroupé les rendements par état, c'est-à-dire que chaque ligne correspond à un état de marché distinct.

Certains états (1,4,6,8,9) ont trop peu d'observations, ils ne peuvent donc pas du tout être pris en compte.

Et maintenant, j'essaierai de régénérer la série, c'est-à-dire de faire une somme cumulative, si l'on trouve une certaine tendance dans certains des états - la régularité dans le sens

J'ai fait une synthèse cumulative.

les états 5 et 7 ont une structure cohérente, 5 est pour bai et 7 est pour village

 
Maxim Dmitrievsky:

Maintenant je veux ajouter aux paramètres optimisés la dépendance des signaux aux distributions, je l'ai fait pour le début, pour voir

si le kurtosis est supérieur à une certaine valeur (que nous pouvons choisir), alors nous avons une situation plate et il est possible d'acheter/vendre avec la même probabilité (et ensuite de corriger toutes les erreurs).

en plus de l'asymétrie, s'il y a un certain côté, alors la probabilité du signal d'achat ou de vente est déplacée.

C'est une méthode primitive, mais c'est la façon de sélectionner les cibles dans l'optimiseur.

Pourquoi les prix et non leurs incréments ?