L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3101
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
Se misuriamo la percentuale di segnali di un tipo in ogni mese del campione per un segmento quantistico separato e sottraiamo la percentuale media di segnali redditizi e costruiamo un bilancio sui dati, possiamo vedere quanto segue.
Questo è il segmento quantistico selezionato secondo il mio metodo, e ciò che vediamo è che dal 38° mese al 127° mese c'è stata una tendenza stabile, e poi sono iniziate le fluttuazioni.
Quindi risulta che se il campione viene diviso secondo il metodo classico 60+20+20, impareremo e tutto andrà bene fino a circa 100 mesi, poi a 40 mesi - fino a 140 saremo in positivo e già al campione indipendente per il test coglieremo un movimento verso il basso con un rimbalzo. Allo stesso tempo, possiamo notare che ci sono stati movimenti simili sul campione per l'allenamento prima del 38° mese, ma quale modello li prenderà in considerazione e troverà una "spiegazione" per queste fluttuazioni? Un modello di legno ordinario inizierà a tirare fuori un pezzo dell'intero campione, mentre è necessario prestare attenzione solo a una parte di esso.
È a questo che sto pensando, a un modo di costruire un modello che tenga conto delle sfumature sopra descritte - e che faccia delle suddivisioni non sull'intero pezzo, ma come se tenesse conto separatamente dei cambiamenti in ogni sezione dopo la stessa suddivisione.
Forse sto reinventando di nuovo la ruota e c'è già una soluzione? Ho già delineato il sistema sulla carta, ma il codice è ancora lontano....
Ecco come appare l'istogramma (secondo la versione di excel)
Si può notare che ci sono mesi in cui i modelli non funzionano.... e dovrebbero essere spiegati da altri split, ma preferibilmente rimuovendoli dove si accumulano.
E, quello che voglio, se non addestrare il modello in modo così intenso, almeno rilevare in anticipo, forse in modo probabilistico, la sezione di cambiamento da uno spostamento positivo nel segmento quantistico della probabilità di un esito favorevole a uno negativo.
Qui si sta pensando all'obiettivo, il campione si sta già formando.
Se rappresentiamo la percentuale di delta degli esiti positivi e negativi nel segmento quantistico per un mese come +1/-1, il grafico presenta già questa immagine - e appare già più interessante.
Qual è la domanda, questa è la risposta, non essere dispiaciuto
C'è qualche taglio di merda quantistica che sta performando male da qualche parte, cosa fare. fare una media dei suoi segnali dati i nuovi dati in cui ha performato male, in modo che non performi così male lì, ma nemmeno così bene sui dati passati.
Qual è la domanda, questa è la risposta, non essere dispiaciuto
Media, sottrazione e divisione :)
Comunque, da quello che ho capito, stai suggerendo di cambiare il target nel sito dove c'è il segnale "cattivo"?
Alexei Nikolaev nei blog su R ha implementato un modello di gioco Cafe, o la vittoria della minoranza, simile in termini di mercato, se la posizione del giocatore è in una società con meno partecipanti, vince (nel caffè, secondo la data, i giocatori che sono venuti il giorno con il minor numero di visitatori vincere, e con un gran numero di visitatori perdere), ma questo è un modello troppo semplice, nella vita reale ci sono ancora un sacco di tipi di giocatori, che vanno dallo Stato e altri grandi giocatori e piccoli giocatori, che sono un gran numero. Il modello non è ancora stato creato in modo approssimativo).
Ma i grafici sono anche molto simili a quelli di tick wandering.
Il modello SB nel pricing è una variante di base, limitante, che apparentemente non si verifica mai nella realtà, come un analogo dalla fisica - un gas ideale. Questo modello si ottiene a due condizioni: a) un numero elevato di partecipanti; b) l'assoluta indipendenza delle loro strategie di trading dagli altri partecipanti. È chiaro che la seconda condizione è difficile da soddisfare, quindi possiamo studiare come le deviazioni dal modello SB saranno influenzate se, ad esempio, ci sono diversi gruppi (cluster) di partecipanti con strategie diverse sul mercato. Oppure una parte dei partecipanti possiede informazioni privilegiate. Per definizione, non è possibile guadagnare con lo SB puro, ma solo con le deviazioni da esso.
Personalmente, non vedo alcuna utilità del modello SB.
Non dà nulla, non enfatizza le proprietà buone, non sopprime quelle cattive, non semplifica.
Sì, il grafico assomiglia ai prezzi, e allora?
Il modello SB in sé è ovviamente di scarsa utilità, è utile solo quando vengono diagnosticate le deviazioni dal modello.
Chiamo stazionarietà il termine econometrico usuale: costanza della media e della varianza. I mercati naturalmente non ce l'hanno, non sono un "monumento". L'eteroskedasticità viene eliminata, il resto è vicino a SB.
In generale, il tipo di distribuzione dice poco sulla prevedibilità. Si tratta di un gioco matematico, lontano dal trading. Aggiungete un po' di fluffiness alla quotazione che copra lo spread. Oppure un ritorno costante alla media in determinati momenti della giornata. Lo spread non cambierà e sarà possibile guadagnare. Più o meno questo e altri elementi simili possono essere chiamati inefficienza. Per fare ciò, è necessario scrivere algoritmi che tengano conto del fatto che non è possibile prevedere tutto, e non è necessario farlo. Non direi che esiste una maledizione, ma solo che esistono strumenti molto efficienti da cui non si può ricavare nulla.
Imho naturalmente, ma se si costruiscono modelli di prezzo con deviazioni comprensibili dallo SB, si possono poi, ad esempio, generare quotazioni artificiali su questa base, anche per mille anni. Poi su queste quotazioni si impara, con l'aiuto del MO, a determinare i punti in cui ci sono state deviazioni, e poi si cerca di fare lo stesso sulle quotazioni reali. In alternativa.
Il modello SB in sé è ovviamente di scarsa utilità, è utile solo quando vengono diagnosticate (trovate) le deviazioni da questo modello.