L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2261

Nuovo commento
 
Maxim Dmitrievsky:

I modelli complessi sono un vantaggio enorme, ma ci vogliono un paio d'anni di vita per arrivarci, che sono già stati spesi con successo

La biodiversità è tutto.

 
fxsaber:

La biodiversità è il nostro tutto.

Un semplice esempio. Migliaia di corse con diversi parametri VS una formazione, compreso l'intero spazio dei tratti. Poi la stessa visualizzazione e analisi, eliminando il superfluo.

beh questo è ogni ... come vuole.
 
fxsaber:

Dubito che qualsiasi MO sarebbe in grado di reingegnerizzare un tale TS: guarda le aree più simili a quella attuale nel passato. E se c'è statisticamente una preponderanza di un ulteriore movimento in qualche direzione - è lì che segnaliamo.

Se prima per semplicità la ricerca di segmenti simili viene eseguita non sulla serie di prezzi, ma su una serie di prezzi trasformata, per esempio ZigZags o barre vengono sostituiti dalla logica binaria: up(0)/down(1). Allora il compito di reingegnerizzazione per MO diventa abbastanza complesso.

Mancato... è interessante provare questo tipo di cose su mestieri di esempio.

ci sono 2 punti.

  • Qualsiasi trasformazione di prezzo - zigzag ecc. è un approccio analitico che a MO non interessa molto. Puoi riempire qualsiasi segno in qualsiasi quantità, e poi filtrare quelli non informativi per rendere il modello più leggero. Tutti gli zigzag e così via sono solo una rappresentazione diversa degli stessi dati.
  • MO generalizza, quindi se si danno esempi di dove commerciare e dove non commerciare, potrebbe funzionare.
La cosa divertente è che pensi di aver trovato una sorta di schema attraverso lo zigzag. Ma molto probabilmente si tratta di una sorta di velata dipendenza stagionale che può essere descritta in 1000 e uno modi. Beh, o un altro se si tratta di tic.

Potrebbe anche risultare che MO strapperà il tuo TS sui tuoi dati

Ma non sono pronto a scherzare con le zecche fino a quando non avrò aggiornato il mio portatile

 
Maxim Dmitrievsky:

Potrebbe anche risultare che il Ministero della Difesa farà a pezzi il tuo TC sui tuoi dati

Non ne dubito. Ma MO non replicherà TC basandosi sul trovare situazioni simili in passato.

 
fxsaber:

Non ne dubito. Ma MO non riprodurrà TC basandosi sul ritrovamento di situazioni simili nel passato.

Perché è così unico? Se si allena sulla storia, MO tirerà fuori le stesse dipendenze da altri tratti

Hai trovato gatti e cani per una sorta di superamento, ma hanno altri tratti. Per esempio, i gatti hanno lunghi baffi

Impareranno a distinguere dai loro baffi e non dalle loro orecchie... cosa cambierà

Beh, è una cosa individuale. Teoricamente non c'è nessun problema.

Ah bene, ecco l'esempio di boxplot dall'articolo. Ho trovato modelli statistici come nel caso che descrivi. Poi ho addestrato NS su segni casuali per scambiare modelli stagionali e ha fatto meglio. Questo è per capire.

 
Maxim Dmitrievsky:

cosa lo rende così unico?

Perché non ci sarà una caratterizzazione comparativa della somiglianza in MO. Non si possono semplicemente preparare i dati per l'allenamento, a meno che non si sappia in anticipo su cosa si basa il TC.
 
fxsaber:
Non ci sarà una caratterizzazione comparativa della somiglianza in MO. Semplicemente non ci sono dati da addestrare se non si sa in anticipo su cosa si basa il TS.

potrebbe non funzionare. Ma quando i dati sono già preparati, cioè c'è un modello, allora in qualche spazio di Hilbert i punti delle classi (per esempio per comprare e per vendere) sono ben separabili, non può essere altrimenti. MO raccoglierà (cercherà di) tali caratteristiche per abbinarle. C'è una certa magia in questo, perché non è nemmeno tanto importante conoscere gli attributi giusti quanto marcare correttamente i dati, per distinguere i gatti dai cani.

Se ci sono accordi con i loro tempi, si può controllare.

 
Maxim Dmitrievsky:

Se ci sono accordi con i loro tempi, si può controllare.

L'esempio era ipotetico.

 
fxsaber:

L'esempio era ipotetico.

Ipoteticamente, non c'è nessun problema. La"somiglianza" sarà tirata fuori attraverso altre caratteristiche perché la serie temporale è la stessa. In pratica, ci possono essere difficoltà, per esempio la curvatura della mano)

Avete un insieme di modelli vicini che si generalizzano bene. Hai generalizzato attraverso la correlazione, il modello generalizzerà attraverso una finestra scorrevole sulla storia. Le entità simili saranno raggruppate ed etichettate come buy/sell/no trade.

I cluster simili all'interno del modello avranno questo aspetto, solo nello spazio multidimensionale. Ogni cluster ha la sua etichetta di acquisto/vendita. È un compito molto semplice. È solo una generalizzazione.

 
Maxim Dmitrievsky:
Se ci sono esperti in modelli generativi, possiamo provare l'opzione di scuotere la matrice di covarianza del modello GMM. Cioè non cambiare la media e la varianza della serie, ma cambiare la matrice di covarianza GMM. L'output dovrebbe essere un sacco di esempi con diverse proprietà.

Cosa vuoi dire?

basta scuotere la matrice cov. sarà casuale ....

È necessario conoscere lo scopo - a cosa serve la scossa, quale dovrebbe essere il taglio finale?

1...225422552256225722582259226022612262226322642265226622672268...3399
Nuovo commento