L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2651
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
È meglio?
=====================
è possibile complicare ulteriormente le espressioni
Sì, la cosa dell'elenco è una buona idea.
Per fare un vero doppio, hai bisogno di tipi di dati algebrici. Non ho ancora visto la loro implementazione per R e l'ottimizzazione genetica non funzionerà con loro( non è chiaro quale tipo di ottimizzazione funzionerà con loro).
Non so voi, ma io sono affascinato da questo algoritmo... Come le semplici variabili in basso si sommano a grandi espressioni complesse in alto, una gerarchia, proprio come nella natura....
Sì, la cosa della lista è una buona idea.
Per creare un vero doppio, sono necessari tipi di dati algebrici. Non ho ancora visto la loro implementazione per R e l'ottimizzazione genetica non funzionerà con loro( non è chiaro quale tipo di ottimizzazione funzionerà con loro).
Beh, sì, ci sono delle limitazioni, perché ogni cifra per GP è un elemento separato della lista, quindi se ce ne sono molti, allora sono guai((( , ma si può uscire dalla situazione come ho dimostrato
Non so voi, ma io sono affascinato da questo algoritmo... Come le semplici variabili in basso si sommano a grandi espressioni complesse in alto, una gerarchia, proprio come in nature....
In che modo è migliore di MSUA? Puoi essere affascinato da qualsiasi cosa, purché ti faccia bene).
Beh, è diverso.
Un po' di invarianza agli eventi
Supponiamo di voler descrivere un modello di testa e spalle (supponiamo che tale modello esista) , il nostro algoritmo guarda agli ultimi punti H, diciamo 7 come nell'esempio
Il rettangolo verde mostra l'ambito dell'algoritmo. Gli ultimi punti H, in questo esempio 7 pezzi.
I dati in questa forma vengono elaborati, inseriti in AMO, ecc., finestra scorrevole, ecc.
Se descriviamo la regolarità mediante regole, sarà qualcosa come x[1] < x[2] & x[2] > x[3] ecc.....
Ma nella realtà il mercato cambia, si allunga e si restringe, le ampiezze cambiano, ecc....
Questa è la realtà del mercato, e tutti noi guardiamo agli ultimi 7 punti e ci aspettiamo che la nostra regola x[1] < x[2] & x[2] > x[3]... funzioni)).
Come si può vedere, c'è uno schema, non è andato da nessuna parte, ma il nostro GPT-5 a 10 strati non vedrà nulla).
Conclusioni: tutti gli algoritmi AMO "out of the box" funzionano con dati tabellari, cioè tutti gli algoritmi cercano modelli con legami rigidi con gli indici, non funziona....
1) È necessario orientarsi verso algoritmi come le regole associative, che sono legate agli eventi, alla sequenza di eventi, ma non sono legate agli indici.
2) O progettare noi stessi le regole giuste e creare modelli a partire da queste.
3) Oppure utilizzare per AMO la rappresentazione dei dati utilizzata per gli algoritmi di regole associative/sequenze, ma in questo caso il numero di caratteristiche sarà di miliardi.
Non è chiaro quale tipo di ottimizzazione possa funzionare con loro.
Il potere della diversificazione
Supponiamo di avere una CU che non guadagna molto bene, anzi non guadagna affatto bene.
Questa è la sua curva dei rendimenti.
In realtà, si tratta di un rumore casuale con l'aggiunta di una tendenza molto debole, talmente piccola da non essere visibile all'occhio nel rumore.
Ecco la tendenza.
Si tratta di una strategia che non lasceremo operare).
Ma cosa succede se abbiamo 100 strategie non correlate che vengono negoziate contemporaneamente su un conto?
Non va molto bene, e se avessimo 1000 strategie?
E 100 mila strategie?
Questo è piuttosto interessante.
È possibile generare così tante strategie con MO? ....
Cosa si intende? Esiste un'ottimizzazione continua che è doppia e un'ottimizzazione discreta che è intera. O mi sfugge il punto?
Ho scritto lì dei tipi di dati algebrici. Generalizzano tipi di dati complessi come liste e alberi. Combinano una struttura discreta complessa e un insieme di numeri reali memorizzati in questa struttura (che risulta essere di dimensioni non fisse). Di conseguenza, dobbiamo in qualche modo combinare l'ottimizzazione discreta sulla struttura e l'ottimizzazione continua sui numeri memorizzati in essa. Non ho assolutamente idea di come farlo, almeno in teoria.