L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2836
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
I risultati dell'apprendimento sono migliorati?)
No, purtroppo.
Sto guardando il sito web di Lopez de Prado in questo momento . https://quantresearch.org/Patents.htm.
Ha un nuovo brevetto, rilasciato a settembre (Tactical Investment Algorithms through Monte Carlo Backtesting).
Ci sono molte idee valide, ad esempio sottolinea l'importanza del nowcasting (previsioni a breve termine).
Citazione: "Le previsioni a breve termine sono statisticamente più affidabili di quelle a lungo termine".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Risultati chiave della pandemia di coronavirus.
Quali lezioni possiamo trarre da questa crisi?
1. più nowcasting, meno previsioni
2. Sviluppare teorie, non regole di trading
3. Evitare le strategie allregime
No, purtroppo.
Sto guardando il sito di Lopez de Prado . https://quantresearch.org/Patents.htm.
Ha un nuovo brevetto, rilasciato a settembre (Tactical Investment Algorithms through Monte Carlo Backtesting).
Molte idee valide, ad esempio l'enfasi sul nowcasting (previsione a breve termine).
Citazione: "Le previsioni a breve termine sono statisticamente più affidabili di quelle a lungo termine".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Risultati chiave della pandemia di coronavirus.
Quali lezioni possiamo trarre da questa crisi?
1. più nowcasting, meno previsioni
2. Sviluppare teorie, non regole di trading
3. Evitare le strategie allregime
No, purtroppo.
Ha avuto una buona formazione o nessuna formazione?
La formazione è andata bene o non c'è stata affatto?
Normale, nel senso che il calcolo è corretto (avevo il massimo Sharpe a livello 3 - 4), ma poiché la classe è priva del decoratore njit, l'allenamento è molto lento.
Va bene, nel senso che il calcolo è corretto (il massimo Sharpe che avevo era al livello 3 - 4), ma poiché la classe è priva del decoratore njit, l'apprendimento è molto lento.
Cos'è un decoratore njit ?
Che cos'è un decoratore njit?
un allegato degli sviluppatori di pandas per velocizzare l'esecuzione del codice nelle funzioni
Non importa se è nella storia o nel futuro. E il tester stesso non ha nulla a che fare con questo.
Ciò che è importante è la proprietà dell'algoritmo (algoritmo di ottimizzazione individuale o come parte di una griglia) di trovare l'optimum globale del criterio di valutazione. Sottolineo: il criterio di valutazione. Il criterio di valutazione non è necessariamente e/o esclusivamente il profitto. Può essere qualsiasi cosa, per esempio, il criterio di valutazione del lavoro su OOS non è un criterio (minimizzare la differenza tra campione e OOS)? - è solo un'idea. I criteri possono essere qualsiasi cosa e di qualsiasi complessità. È importante capire che il criterio del "profitto" è una cosa molto gullicata e discreta, quindi si cerca di elaborare criteri di valutazione più fluidi e monotoni, il che in generale migliora la qualità dell'ottimizzazione stessa e dell'addestramento neuronico in particolare.
Pertanto, tornando a ciò che ho disegnato sull'immagine altamente artistica - un'illustrazione visiva del fatto che in condizioni in cui non si conoscono né il numero né le caratteristiche degli estremi locali, l'unica via d'uscita è cercare il più possibile quello che è possibile in condizioni di capacità computazionali limitate.
Plateau - sì, esiste una nozione del genere, ma non è legata all'ottimizzazione, si tratta di classificare insiemi di parametri simili in base a qualche attributo. La ricerca di un plateau stabile è un compito complesso a parte.
Ancora una volta, gli estremi non hanno alcun valore: un punto instabile, che non esiste, dato che abbiamo a che fare con processi casuali, per di più non stazionari.
Dobbiamo cercare un plateau, anche quello mostrato nella figura, purché sia redditizio, anche se si trova al di sopra del minimo locale e globale. Tale plateau mostrerà teoricamente il limite superiore di redditività del TS. E gli estremi trovati non sono affatto nulla: non sono sicuramente nel futuro, ma c'è speranza per un plateau.
Avete una strana idea di "plateau". Un plateau non è un tipo di area sulla funzione in esame. Un plateau è un insieme di parametri su qualche attributo.
Il profitto non ha nulla a che fare con la non stazionarietà delle serie e ancor meno con la capacità della rete di apprendere e lavorare con risultati simili su dati sconosciuti.
si prende una funzione come il profitto alla lettera, cioè come se questa funzione assomigliasse a un grafico di equilibrio in un tester. questo è fondamentalmente sbagliato.
Ancora una volta: gli estremi non hanno alcun valore: un punto instabile, che tra l'altro non esiste, dato che abbiamo a che fare con processi casuali e per di più non stazionari.
Dobbiamo cercare un plateau, anche quello mostrato in figura, purché sia redditizio, anche se si trova al di sopra del minimo locale e globale. Tale plateau mostrerà teoricamente il limite superiore di redditività del TS. E gli estremi trovati non sono affatto nulla: non sono sicuramente nel futuro, ma c'è speranza per un plateau.
L'ottimizzazione non consiste nel trovare qualcosa che non si sa cosa, ma nel migliorare la redditività del TS, ad esempio.
Avete a disposizione l'intera superficie di interesse in una situazione normale, e soprattutto gli estremi come aumento del profitto potenziale, diciamo. E avrete il tempo di scendere fino all'altopiano.
Oppure l'intera superficie è affondata e ci sono solo estremi e plateau che emergono dall'acqua e che devono essere trovati? Allora è già un primo adattamento.
È come se ci si riunisse e si dicesse: "Ottimizziamo qualcosa e cerchiamo un altopiano", e se troviamo un altopiano, lì c'è un tesoro. È così che la vede?
Certo, c'è una speranza di salvezza, ma è trascurabile.
Immagino che il processo di ricerca di set funzionanti di reti neurali possa essere illustrato da un esempio: esiste una montagna immaginaria, l'Everest, che ha un unico massimo. il compito è quello di tracciare una strada per raggiungere il massimo in modo che l'angolo della strada non superi i 3 gradi e che il percorso sia il più breve possibile. Se si cerca un percorso rettilineo fino alla cima, sicuramente molte persone si schianteranno e moriranno (piangeranno quando atterreranno in basso, appiattiti, lamentandosi della non stazionarietà della rosa dei venti). perché serve un tale massimo? Esiste un'altra funzione, la derivata della funzione montagna, che include due criteri: l'angolo di inclinazione della montagna e la lunghezza della strada. Il problema si riduce all'ottimizzazione e alla ricerca del minimo di questa funzione derivata dalla montagna (minimizzazione dell'angolo di inclinazione e della lunghezza della strada). quindi questa funzione avrà molti estremi locali e solo uno globale. risolvendo questo problema troveremo una via sicura per la cima dell'Everest, nessuno morirà e la non stazionarietà dei venti non avrà importanza per noi. ma il "plateau" non deve essere inteso come una certa piattaforma sulla montagna dove fare una pausa, ma come un gruppo di opzioni di percorso con caratteristiche simili di angolo*lunghezza che soddisfano i requisiti di sicurezza.
È così, in generale. Non tutti gli algoritmi sono in grado di trovare una strada "sicura". Sia le proprietà di ricerca che la convergenza e la velocità di convergenza sono importanti.