L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2752
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
Je ne vois pas l'intérêt de faire quelque chose qui ne peut pas produire le résultat escompté.
Au cas où, je précise que je ne vais pas vous dire ce que vous devriez faire. Je réfléchis plutôt à ce que je ferais moi-même dans le cas où un algorithme donnerait de bons résultats mais serait mal implémenté sous la forme d'un Expert Advisor (bien que j'essaie toujours d'éviter cette option). Très probablement, j'essaierais d'obtenir des résultats similaires en utilisant des algorithmes plus faciles à mettre en œuvre. Entre autres choses, j'analyserais ce que l'algorithme sait faire exactement.
Je commencerais par KNN et s'il donne un résultat similaire, c'est qu'il s'agit d'une bonne sélection d'un ensemble commun de prédicteurs. Si le résultat est bien pire, il s'agit peut-être simplement de choisir un sous-ensemble de prédicteurs à chaque point dans le temps. Pour tester cette hypothèse, j'essaierais d'utiliser la régression locale (quelque chose comme LOESS), puisque la régression permet déjà de comparer l'importance des prédicteurs. Les étapes suivantes sont déjà basées sur les résultats de l'analyse. D'ailleurs, avec l'apparition des matrices dans mql5, la régression linéaire est devenue facile à mettre en œuvre directement dans mql5.
C'est exact. En l'absence d'hypothèses a priori, c'est le deuxième type qui est utilisé. Je me demande comment Sanych voit les choses.
À mon avis, on suppose a priori que chaque classe est donnée par une distribution gaussienne, qui change progressivement au fil du temps, en raison de la non-stationnarité. Sans cette hypothèse, l'utilisation de l'approche de la distance de Mahalanobis n'a guère de sens.
Personnellement, je trouve qu'une telle hypothèse est trop forte pour être vraie pour n'importe quel instrument à n'importe quel intervalle de temps.
Par prudence, je ne vais pas vous dire ce que vous devez faire. Je réfléchis plutôt à ce que je ferais moi-même dans le cas d'un algorithme qui donne de bons résultats mais qui est mal mis en œuvre sous la forme d'un Expert Advisor (bien que j'essaie toujours d'éviter cette option). Très probablement, j'essaierais d'obtenir des résultats similaires en utilisant des algorithmes plus faciles à mettre en œuvre. Entre autres choses, j'obtiendrais une analyse de ce que l'algorithme sait faire exactement.
Je commencerais par KNN et s'il donne un résultat similaire, c'est qu'il s'agit d'une bonne sélection d'un ensemble commun de prédicteurs. Si le résultat est bien pire, il s'agit peut-être simplement de choisir un sous-ensemble de prédicteurs à chaque instant. Pour tester cette hypothèse, j'essaierais d'utiliser la régression locale (quelque chose comme LOESS), puisque la régression permet déjà de comparer l'importance des prédicteurs. Les étapes suivantes sont déjà basées sur les résultats de l'analyse. D'ailleurs, avec l'apparition des matrices dans mql5, la régression linéaire est devenue facile à implémenter directement dans mql5.
C'est amusant à dire, mais toutes les variantes du lissage des matrices n'ont PAS de capacité prédictive, y compris LOESS, je l'ai essayé.
C'est amusant à dire, mais toutes les variantes du lissage de mashek n'ont PAS de pouvoir prédictif , y compris LOESS, qui a fait ses preuves.
J'ai également renoncé au calcul de la moyenne, mais je me rends compte que l'éventail de mes études est restreint, qu'elles ne sont pas formalisées et qu'elles ne sont pas spécifiques. Il n'est pas possible d'obtenir une spécificité dans les anciennes études, mais au moins elles pouvaient les décrire d'une manière formalisée pour la compréhension. Quelles sont les moyennes étudiées, dans quelle fourchette et sur quelles périodes.
ZY, mes données datent de 18 à 20 ans. J'ai brassé 3, 14, 60, 120 sur tous les fours TF, quelques BB. Le meilleur résultat est sur TF 1 heure, même si le spread est drainé. Sélection des paramètres manuellement.
C'est amusant à dire, mais toutes les variantes du lissage de mashek n'ont PAS de pouvoir prédictif , y compris LOESS, qui a fait ses preuves.
Par nature, les AMM n'ont pas de pouvoir prédictif. Il ne s'agit tout simplement pas de cela, même s'il s'agit de matrices (ce que l'on veut exactement ici, c'est multiplier un vecteur de prix par une matrice à N dimensions pour obtenir un bénéfice ; tout le problème réside dans la préparation et la correction des matrices).
Il s'agit de savoir "quel prix considérer comme valable il y a T temps", ce qui est en général extrêmement important. Qu'est-ce qui était il y a T temps, à la hauteur de ce qui a déjà été vécu. Il s'agit plus ou moins d'interprétation (compréhension) de l'histoire.
classeDist utilisée
1) entraîner/réentraîner le modèle lorsque classDist est d'environ 1, c'est-à-dire en filtrant les bons états du point de vue de l'algorithme
2) utiliser classDist comme caractéristique pour l'ensemble de l'échantillon
3) filtrage sur différents états
4) essai d'un entraînement simple et d'un réentraînement constant
dans tous les cas, le pouvoir prédictif n'est pas meilleur que le pouvoir stochastique, il est presque aléatoire....
On peut donc s'interroger sur la réalité des déclarations.
Par nature, les AMM n'ont aucune capacité prédictive. Il ne s'agit tout simplement pas de cela, même s'il s'agit de matrices (que veut-on exactement ici - multiplier un vecteur de prix par une matrice à N dimensions afin d'obtenir un bénéfice ; tout le problème réside dans la préparation et la correction des matrices).
Il s'agit de savoir "quel prix doit être considéré comme valable il y a T temps", ce qui est généralement extrêmement important. Qu'est-ce qui était il y a T temps, à la hauteur de ce qui a déjà été vécu. Il s'agit plus ou moins d'interprétation (compréhension) de l'histoire.
Selon les classiques, la plus grande capacité de prédiction est représentée par des prix/niveaux/quoi que ce soit de proche de l'actuel. Nous essayons de tels TS et obtenons des résultats franchement faibles. Ce n'est pas la faute des mashki.
En réalité, cela n'est pas respecté, le prix actuel peut être influencé par des changements lointains et les changements proches peuvent être désorientants.
C'est pourquoi je ne crois pas au réentraînement dans une fenêtre glissante, même si parfois cela donne de bons résultats, comme dans mon article sur l'entropie.
Il est intéressant d'identifier les points de référence dans l'histoire qui ont influencé l'avenir avec un effet différé. Cela peut être fait, y compris dans une fenêtre glissante, par des approches originales.
Si nécessaire, je peux le décrire plus en détail. En général, cela peut ressembler à une fenêtre flottante ou décalée, et non fixe. Les algorithmes modernes de traitement des séquences fonctionnent à peu près sur le même principe. Mais les forums auront leurs propres spécificités, qu'ils ne prennent pas en compte.
Pour déterminer ces spécificités, nous devons théoriser un peu sur les fractales et leurs propriétés. Par exemple, si l'on considère une série temporelle comme une fractale, il y aura quelque chose sur quoi se baser.
Ensuite, les niveaux/modèles/quelque chose d'autre acquièrent une signification réelle et représentent une description particulière d'un système aux propriétés connues. Il est alors possible d'intégrer le tout dans une théorie et une compréhension commune.
Il existe plusieurs tentatives d'aller dans cette direction, y compris la différenciation fractionnée. Mais il faut quelque chose de plus explicite et de plus fort.
À mon avis, l'éconophysique a évolué dans le mauvais sens, peut-être parce que je ne la comprends pas entièrement. Beaucoup de formules et peu de sens.
Réfléchissez-y
Classiquement, la plus grande capacité de prédiction est représentée par les prix/niveaux/tout ce qui est proche du prix actuel. Nous essayons ce type de TS et obtenons des résultats franchement faibles. Mashki n'est pas à blâmer ici.
En réalité, ce n'est pas observé, le prix actuel peut être influencé par des changements lointains, et les plus proches peuvent désorienter.
C'est pourquoi je ne crois pas au réentraînement dans une fenêtre glissante, même si parfois cela donne de bons résultats, comme dans mon article sur l'entropie.
Il est intéressant d'identifier les points de référence dans l'histoire qui ont influencé l'avenir avec un effet différé. Cela peut également être fait dans une fenêtre glissante par des approches originales.
Si nécessaire, je peux le décrire plus en détail. En général, cela peut ressembler à une fenêtre flottante ou mobile, et non fixe. Les algorithmes modernes de traitement des séquences fonctionnent à peu près sur le même principe. Mais les forums auront leurs propres spécificités, qu'ils ne prennent pas en compte.
Pour déterminer ces spécificités, nous devons théoriser un peu sur les fractales et leurs propriétés. Par exemple, si l'on considère une série temporelle comme une fractale, il y aura quelque chose sur quoi s'appuyer.
Réfléchissez-y
Qu'apporte la fractalité ?
Il est intéressant d'identifier les points de référence dans l'histoire qui influencent l'avenir avec un effet différé. Des approches originales permettent également de le faire dans une fenêtre coulissante.
Et le voilà qui, remplaçant mon concept d'"Événement" par celui de "Points de repère", va prétendre qu'on ne lui en a pas parlé il y a une douzaine de jours.... oui.
Classiquement, la plus grande capacité de prédiction est représentée par les prix/niveaux/tout ce qui est proche du prix actuel. Nous essayons ce type de TS et obtenons des résultats franchement faibles. Mashki n'est pas à blâmer ici.
En réalité, ce n'est pas observé, le prix actuel peut être influencé par des changements lointains, et les plus proches peuvent désorienter.
C'est pourquoi je ne crois pas au réentraînement dans une fenêtre glissante, même si parfois cela donne de bons résultats, comme dans mon article sur l'entropie.
Il estintéressant d'identifier les points de référence dans l'histoire qui ont influencé l'avenir avec un effet différé. Cela peut également être fait dans une fenêtre glissante par des approches originales.
Si nécessaire, je peux le décrire plus en détail. En général, cela peut ressembler à une fenêtre flottante ou mobile, et non fixe. Les algorithmes modernes de traitement des séquences fonctionnent à peu près sur le même principe. Mais les forums auront leurs propres spécificités, qu'ils ne prennent pas en compte.
Pour déterminer ces spécificités, nous devons théoriser un peu sur les fractales et leurs propriétés. Par exemple, si l'on considère une série temporelle comme une fractale, il y aura quelque chose sur quoi s'appuyer.
Il existe plusieurs tentatives pour aller dans cette direction, notamment la différenciation fractionnaire. Mais il faut quelque chose de plus explicite et de plus solide.
L'éconophysique a évolué dans le mauvais sens, à mon avis, peut-être parce que je ne la comprends pas entièrement. Beaucoup de formules et peu de sens.
Réfléchissez-y
Les points de l'histoire qui se situent au-delà de la SB classique méritent une attention particulière.