L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 139
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Tutto questo sembra accademico.
Se ricordo bene, con oltre 100.000 osservazioni, anche il cotier originale è quasi stazionario.
E allora?
Dopo tutto, molto probabilmente stiamo lavorando su un terminale in una finestra di 100-150 osservazioni. In generale, quale dovrebbe essere la dimensione della finestra? E per cosa?
Se per la rimozione dei predittori di rumore, un grande numero, forse fino a 10.000. Avete bisogno di 100.000 per rimuovere i predittori di rumore?
In realtà la dimensione del campione deve essere in qualche modo legata ad alcune caratteristiche stazionarie del mercato. Nel caso in discussione, i predittori di rumore dovrebbero essere così per intervalli di tempo abbastanza grandi.
Questa è la fase di rimozione del rumore.
Il passo successivo è quello di addestrare il modello per assicurarsi che il modello non sia sovrallenato.
Se riusciamo a trovare un insieme di predittori su cui il modello non è sovrallenato, allora tutto il resto ha senso. Altrimenti ogni discorso è completamente vuoto. Non dimentichiamo che è molto più facile costruire un TS consapevolmente riqualificato usando gli indicatori che usare tutti quei gadget di intelligenza artificiale, il cui risultato sarà comunque un TS sovrallenato.
Quindi abbiamo un certo insieme di predittori che non porta a riqualificare. Il valore della redditività non ha importanza, l'importante è avere tale redditività e non fluttuare molto nei diversi campioni.
E ora il prossimo passo.
Prendiamo una piccola finestra = 100-500 osservazioni e la usiamo per insegnare il modello selezionando i predittori, per esempio, da rfe. Diminuirà ulteriormente l'insieme dei predittori. Per esperienza in due tempi.
Usando questo set ridotto di predittori facciamo una previsione esattamente un passo avanti. Questa previsione dovrebbe normalmente avere un intervallo di confidenza - questo è il rischio.
Facciamo trading all'interno della previsione. Cioè prevediamo il giorno dopo e facciamo trading su M5. Su metà del movimento previsto abbiamo messo TP.
All'uscita da tutte le posizioni spostiamo la finestra, selezioniamo i predittori con rfe e prediamo di nuovo.
L'errore di previsione è un errore in ogni passo, non tutto in una volta.
Ma il valore pratico non è questo valore, ma il valore del fattore di profitto/perdita o altro, almeno nel tester.
Sembra tutto accademico.
///
Sostituirò tutte le vostre conclusioni con una sola frase: i predittori non rumorosi funzionano su un campione infinitamente grande. Quindi, lo screening del rumore dovrebbe essere fatto su un campione il più ampio possibile.
Se i vostri "predittori non-noise" lavorano su un campione finito del quoziente, allora sono rumore locale.
OK, sarà interessante da leggere.
La CNN non è una rete ricorrente di per sé.
Parlando di reti convoluzionali. Questo tipo di rete neurale non è progettato per risolvere problemi di regressione. Ecco perché i risultati dell'esperimento pubblico sono stati deludenti.
I compiti da risolvere con la CNN sono la classificazione, la localizzazione, il rilevamento e la segmentazione.
Quindi, queste sono "note a margine".
Buona fortuna
Parlando di reti convoluzionali. Questo tipo di rete neurale non è progettato per risolvere problemi di regressione. Ecco perché i risultati dell'esperimento pubblico sono deludenti.
I compiti risolti da CNN sono classificazione, localizzazione, rilevamento, segmentazione.
Queste sono solo "note a margine".
Buona fortuna
Sei sicuro che la classificazione non possa essere rappresentata come regressione e viceversa? Dopo tutto, questo blocco è risolto su strati completamente connessi, e che differenza c'è? Hai un pruf?
E comunque i risultati non sono deplorevoli. Perché così deciso? È solo che la funzione è abbastanza complessa e la rete cessa di distinguerla dal rumore (intendo una rete completamente collegata). L'hai risolto da solo o stiamo solo facendo demagogia?
Ragazzi, qualcuno ha quotazioni intraday, preferibilmente indici M5, servono tre strumenti, almeno 50.000 candele
1) Euro Stoxx 50 oEuro Stoxx 600
2) Dow Jones o S&P 500 o NASDAQ
3) Coppia EUR/USD
Se ne avete, fatemelo sapere per gli esperimenti, ve ne sarò grato.
Alexey Burnakov:
Se i vostri "predittori senza rumore" lavorano su un segmento di quoziente limitato, allora sono rumore locale.
Cosa volete dimostrare sui campioni più lunghi possibili? L'ipotesi dei mercati efficienti? C'è un mucchio di noobiles là fuori, compresi i falliti che hanno predicato questa ipotesi.
Io, invece, sto parlando di un'applicazione molto specifica degli strumenti. E questa specificità per me si riassume nella frase: "Mezza rendita anticipata". In questo quadro, l'orizzonte di previsione ottimale è di 1 settimana, per mettere il cuore in pace - 2 mesi.
Tutto il resto deve essere adattato precisamente al ritiro dei profitti. Qui e ora. Quello che succedeva prima dell'87 non è interessante. Non è interessante quello che è successo prima del '97, e se andiamo oltre, la prossima frontiera è il 2007. Quando si sceglie un periodo di tempo per identificare i predittori di rumore si deve avere qualche tipo di considerazione significativa che il periodo precedente sarà simile al futuro. Dopo la Brexit tutto funziona come prima? E cosa succede dopo le elezioni americane? Ci sono shock politici e crolli di borsa non legati alla politica, e dividono i dati storici in pezzi.
video -https://www.youtube.com/watch?v=-INzzOXxkhU
A mio parere, questo è uno dei modi corretti di sviluppo, e risolve in modo completo sia il problema della selezione del rumore che della riqualificazione(tutto in teoria, naturalmente)
1) Cerchiamo situazioni ricorrenti nella storia - una sorta di selezione di caratteristiche
2) Calcoliamo la statistica della reazione del prezzo sul modello, diciamo, 10 cali e 1 crescita e risulta che abbiamo fatto quanto segue
1. Abbiamo identificato modelli forti con buone statistiche (selezione qualitativa delle caratteristiche)
2. Abbiamo capito che il modello non si ripete (selezione qualitativa delle caratteristiche)
3. Abbiamo essenzialmente crosvalidato il tratto come abbiamo calcolato tutte le statistiche su di esso.
4. ci siamo liberati della riqualificazione, poiché abbiamo eliminato tutte le cose inutili, lasciando solo ciò che ha funzionato bene nella nostra storia
e tutto questo in una bottiglia :)
p.s. quando si guarda il video guardare l'indicatore, non ho visto una sola volta che si è sbagliato sulla previsione, e questo è molto ...
Cosa volete dimostrare con i campioni più lunghi possibili? L'ipotesi dei mercati efficienti? C'è un mucchio di noob là fuori, compresi i falliti che hanno predicato questa ipotesi.
In realtà, sto dimostrando che sul massimo campione disponibile le dipendenze sulle fiche selezionate sono riproducibili, che è il diretto opposto della tua affermazione. Il mercato è inefficiente nel corso della storia.
Non commenterò il resto dei tuoi punti: è una tua preferenza.
video -https://www.youtube.com/watch?v=-INzzOXxkhU
A mio parere, questo è uno dei modi corretti di sviluppo, e risolve in modo completo sia il problema della selezione del rumore che della riqualificazione(tutto in teoria, naturalmente)
1) Cerchiamo situazioni ricorrenti nella storia - una sorta di selezione di caratteristiche
2) Calcoliamo la statistica della reazione del prezzo sul modello, diciamo, 10 cali e 1 crescita e risulta che abbiamo fatto quanto segue
1. Abbiamo identificato modelli forti con buone statistiche (selezione qualitativa delle caratteristiche)
2. Abbiamo capito che il modello non si ripete (selezione qualitativa delle caratteristiche)
3. Abbiamo essenzialmente crosvalidato il tratto come abbiamo calcolato tutte le statistiche su di esso.
4. ci siamo liberati della riqualificazione, poiché abbiamo eliminato tutte le cose inutili, lasciando solo ciò che ha funzionato bene nella nostra storia
e tutto questo in una bottiglia :)
p.s. guardando il video osservare l'indicatore, non ho visto una sola volta che si è sbagliato nella previsione, e questo è fortemente ...
tutto vero.
Non ho guardato il video, perché sono convinto che si può adattare qualsiasi cosa per farla sembrare carina con una storia grande quanto si vuole. La verità non è bella. Dimostrare che il modello non è sovrallenato è molto difficile.
Per me è tutta una questione di rischio - cerco di correre almeno un po' di rischio. Si può creare un Expert Advisor con successo nel trading di una dozzina di coppie per molti anni, ma per cosa? Il profitto sarà probabilmente un paio di percento all'anno.....
Beh, non l'hai nemmeno provato... :)
Solo un piccolo rapporto sui miei esperimenti con l'arbitraggio statistico.
Non ho ancora deciso i parametri, ho preso i migliori secondo il test rapido, non mi sono nemmeno preoccupato della gestione del denaro.
Quindi per dire, i nuovi dati "reggono l'arbitraggio" molto meglio di quei sistemi che ho usato, usando l'apprendimento automatico, regge 10 volte meglio...
Cosa c'è di strano... Ho ottenuto di più in mezza giornata di sperimentazione con l'arbitraggio che in mezzo anno con un machine learning. Non è solo strano, è sconvolgente...
il primo è che c'è un grosso problema con l'arbitraggio:
il primo è che c'è un drawdown significativo del +/- 30%
E il secondo, non riesco ancora a pensare a un modo per collegarvi il machine learning :)