L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2836
![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
Vos résultats d'apprentissage se sont-ils améliorés ?)
Non, malheureusement.
Je suis en train de consulter le site web de Lopez de Prado . https://quantresearch.org/Patents.htm.
Il a déposé un nouveau brevet en septembre (Tactical Investment Algorithms through Monte Carlo Backtesting).
Il y a beaucoup d'idées intéressantes, par exemple il met l'accent sur le nowcasting (prévisions à court terme).
Citation : "Les prévisions à court terme sont statistiquement plus fiables que les prévisions à long terme".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Principales conclusions de la pandémie de coronavirus.
Quelles leçons pouvons-nous tirer de cette crise ?
1. plus de prévisions immédiates, moins de prévisions
2. développer des théories, pas des règles de trading
3. éviter les stratégies "tout régime
Non, malheureusement.
Je suis en train de consulter le site web de Lopez de Prado . https://quantresearch.org/Patents.htm.
Il a un nouveau brevet, délivré en septembre (Tactical Investment Algorithms through Monte Carlo Backtesting).
Beaucoup d'idées intéressantes, par exemple il met l'accent sur le "nowcasting" (prévision à court terme).
Citation : "Les prévisions à court terme sont statistiquement plus fiables que les prévisions à long terme".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Principales conclusions de la pandémie de coronavirus.
Quelles leçons pouvons-nous tirer de cette crise ?
1. plus de prévisions immédiates, moins de prévisions
2. développer des théories, pas des règles commerciales
3. éviter les stratégies "tout régime
Non, malheureusement.
Avez-vous eu une bonne formation ou pas de formation du tout ?
La formation s'est-elle bien déroulée ou pas du tout ?
Normal, dans le sens où le calcul est correct (j'avais le maximum de Sharpe au niveau 3 - 4), mais comme la classe n'a pas de décorateur njit, l'apprentissage est très lent.
C'est bon, dans le sens où le calcul est correct (le maximum de Sharpe que j'avais était au niveau 3 - 4), mais comme la classe n'a pas le décorateur njit, l'apprentissage est très lent.
Qu'est-ce qu'un décorateur njit ?
Qu'est-ce qu'un décorateur njit ?
un accessoire des développeurs de pandas pour accélérer l'exécution du code dans les fonctions
Peu importe que ce soit dans l'histoire ou dans le futur. Et le testeur lui-même n'a rien à voir avec cela.
Ce qui est important, c'est la propriété de l'algorithme (algorithme d'optimisation individuel ou faisant partie d'une grille) de trouver l'optimum global du critère d'évaluation. J'insiste sur le critère d'évaluation. Le critère d'évaluation n'est pas nécessairement et/ou uniquement le profit. Il peut s'agir de n'importe quoi, par exemple, le critère d'évaluation du travail sur les OOS n'est pas un critère (minimiser la différence entre l'échantillon et les OOS) ? - c'est juste une idée. Les critères peuvent être n'importe quoi et de n'importe quelle complexité. Il est important de comprendre que le critère de "profit" est une chose très gullied et discrète, de sorte que les gens essaient de trouver des critères d'évaluation plus lisses et plus monotones, ce qui améliore en général la qualité de l'optimisation elle-même et de la formation en neuronique en particulier.
Par conséquent, pour en revenir à ce que j'ai dessiné sur l'image hautement artistique - une illustration visuelle du fait que dans des conditions où ni le nombre ni les caractéristiques des extrema locaux ne sont connus, la seule solution consiste à rechercher autant que possible celui qui est tout à fait possible dans des conditions de capacités de calcul limitées.
Plateau - oui, cette notion existe, mais elle n'est pas liée à l'optimisation, il s'agit de classer des ensembles de paramètres similaires en fonction de certains attributs. La recherche d'un plateau stable est une tâche complexe distincte.
Une fois encore, les extrema n'ont aucune valeur : un point instable, qui n'existe pas non plus, puisque nous avons affaire à des processus aléatoires, et non stationnaires de surcroît.
Nous devons rechercher un plateau, même celui représenté sur la figure, tant qu'il est rentable, même s'il se situe au-dessus du minimum local et global. Un tel plateau montrera théoriquement la limite supérieure de la rentabilité de la TS. Et les extrema trouvés ne sont rien du tout - ils ne sont certainement pas dans le futur, mais il y a de l'espoir pour un plateau
Un plateau n'est pas un type de zone sur la fonction étudiée. Un plateau est un ensemble d'ensembles de paramètres sur un attribut.
Le profit n'a rien à voir avec la non-stationnarité des séries et encore moins avec la capacité du réseau à apprendre et à travailler avec des résultats similaires sur des données inconnues.
vous prenez une fonction comme le profit au pied de la lettre, c'est-à-dire comme si cette fonction ressemblait à un graphique d'équilibre dans un testeur. c'est fondamentalement faux.
Encore une fois : les extrema n'ont aucune valeur : un point instable, qui d'ailleurs n'existe pas, puisqu'il s'agit de processus aléatoires, non stationnaires de surcroît.
Il faut chercher un plateau, même celui de la figure, tant qu'il est rentable, même s'il est au-dessus du minimum local et global. Un tel plateau montrera théoriquement la limite supérieure de la rentabilité de la TS. Et les extrema trouvés ne sont rien du tout - ils ne sont certainement pas dans le futur, mais il y a de l'espoir pour un plateau
L'optimisation ne consiste pas à trouver quelque chose dont on ignore la nature, mais à améliorer la rentabilité du TS, par exemple.
Vous avez toute la surface d'intérêt dans une situation normale, et surtout les extrema en tant qu'augmentation du profit potentiel, disons. Et vous aurez le temps de descendre jusqu'au plateau.
Ou bien toute la surface s'est enfoncée et il n'y a que des extrêmes et des plateaux qui sortent de l'eau et qu'il faut trouver ? Dans ce cas, il s'agit déjà d'un premier ajustement.
C'est comme si nous nous réunissions et que nous disions : "Optimisons quelque chose et cherchons un plateau", et si nous trouvons un plateau, c'est qu'il y a un trésor. Est-ce ainsi que vous voyez les choses ?
Bien sûr, il y a un espoir de salut, mais il est négligeable.
J'imagine que le processus de recherche d'ensembles fonctionnels de réseaux neuronaux peut être illustré par un exemple : il existe une montagne imaginaire, l'Everest, qui a un seul sommet. la tâche consiste à tracer une route jusqu'au sommet, de sorte que l'angle de la route ne dépasse pas 3 degrés et que le chemin soit aussi court que possible. Si l'on cherche un chemin rectiligne jusqu'au sommet, il est certain que beaucoup de gens s'écraseront et mourront (ils pleureront lorsqu'ils atterriront en bas, aplatis, en se plaignant de la non-stationnarité de la rose des vents). pourquoi un tel maximum ? il existe une autre fonction, la dérivée de la fonction montagne, qui comprend deux critères : l'angle d'inclinaison de la montagne et la longueur de la route. Ce problème se réduit à l'optimisation et à la recherche du minimum de cette fonction dérivée de la montagne (minimisation de l'angle d'inclinaison et de la longueur de la route). cette fonction aura donc de nombreux extrema locaux et un seul global. en résolvant ce problème, nous trouverons un moyen sûr d'atteindre le sommet de l'Everest, personne ne mourra et la non-stationnarité des vents n'aura pas d'importance pour nous. mais le "plateau" doit être compris non pas comme une certaine plate-forme sur la montagne où l'on peut faire une pause, mais comme un groupe d' options de chemin présentant des caractéristiques similaires d'angle*longueur et satisfaisant aux exigences de sécurité.
C'est ainsi, d'une manière générale. Tous les algorithmes ne sont pas capables de trouver une route "sûre". Les propriétés de recherche, la convergence et la vitesse de convergence sont toutes deux importantes.