L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3183

Nuovo commento
 

Esattamente nello stesso modo in cui ottengo entrambi i modelli funzionanti OOS e non, attraverso lo stesso algoritmo. Il simbolo è lo stesso, non è stata aggiunta alcuna nuova randomizzazione. Trova solo in modo casuale modelli di lunga durata o modelli locali. Perché l'allenamento su un sottocampione casuale (40% all'interno dell'intervallo selezionato dalla linea), e ancora altri randomizzatori alla ricerca di modelli attraverso la randomizzazione, che la randomizzazione insegue.


 
fxsaber #:

Uno.

Non capisco questa affermazione. Cosa si intende con le due opzioni seguenti?

  1. Ci vogliono molte iterazioni di randomizzazione per ottenerne uno funzionante.
  2. Se si creano molti personaggi randomizzati, la probabilità che ce ne sia uno funzionante aumenta.

L'algoritmo di randomizzazione è il seguente:

  1. Viene presa la cronologia dei tick reali.
  2. Viene creata una sequenza di incrementi del prezzo medio ((bid+ask)/2).
  3. In questa sequenza ogni termine viene moltiplicato casualmente per +1 o -1.
  4. Dalla sequenza di incrementi ottenuta si ricava una nuova storia di tick, in cui tempo e spread coincidono con il punto 1. La nuova storia di tick viene scritta in un foglio di carta con il prezzo medio ((bid+ask /2).
  5. La nuova storia dei tick viene scritta in un simbolo personalizzato.
Vale a dire che un simbolo reale viene randomizzato. È possibile applicare il punto 3 un numero qualsiasi di volte. Se dopo il punto 5 si ripetono tutti e cinque i punti, è come ripetere il punto 3 due volte.

Sì, il punto evidenziato

È necessario eseguire molte volte, molti caratteri. Ho mostrato un esempio del mio sovracampionatore qui sopra. Prende a caso i campioni per l'allenamento dalla stessa riga e i risultati sono sempre diversi su OOS.

Esattamente gli stessi cali di tensione su OOS.
 
Non capisco il senso di questa roba SB, cosa dimostra? ) Si può ottenere qualsiasi curva si voglia sull'OOS se lo si mescola abbastanza volte.
 
mytarmailS #:
Merda, non so come dirlo in termini semplici.

Si scelgono varianti migliori "a mano" su OOS dopo l'ottimizzazione sul test e NON è un raccordo....

E se l'algoritmo sceglie le opzioni migliori sull'OOS dopo l'ottimizzazione, questo è un fitting. Perché?

Scegliere le migliori varianti/opzioni dall'insieme delle varianti è un'ottimizzazione... Non importa se lo si fa a mano o con un algoritmo.

Forse lei ha lavorato solo con il tester in MT e pensa in modo un po' troppo formale all'ottimizzazione in sé e ai modi della sua applicazione, ecco perché c'è stato un fraintendimento.

La tua affermazione.

Forum sul trading, sui sistemi di trading automatizzati e sulla verifica delle strategie di trading

Machine learning nel trading: teoria, modelli, pratica e algo-trading

mytarmailS, 2023.08.16 13:23

Immaginate di avere solo 1000 varianti di TS, in generale.


i vostri passi 1 e 2

1) Iniziate a ottimizzare/ricercare un buon TS, questo è il traine data (fitting/ricerca/ottimizzazione).

Supponiamo che abbiate trovato 300 varianti in cui il TC rende...

2) Ora state cercando un TC tra queste 300 varianti che passi OOS è un dato di test. Avete trovato, ad esempio, 10 TC che guadagnano sia sulla traccia che sul test (OOS).


Qual è quindi il punto 2?

Si tratta della stessa continuazione del fitting, solo che la vostra ricerca(fitting/ricerca/ottimizzazione) è diventata un po' più profonda o più complessa, perché ora non avete più una condizione di ottimizzazione (passare il trade), ma due (passare il test + passare il trade).

Immaginiamo che ci siano un milione di volte più varianti: 1 miliardo di TC, vengono trovate 300 milioni di varianti di TC, dove sul campione addestrato si guadagna - questo è p.1.

In p.1. l'ottimizzazione viene effettuata su una funzione di fitness. Più alto è il valore, più si presume che il fitness sia elevato. Quindi l'ottimizzazione si occupa di trovare il massimo globale. Tutto questo è p.1.


  • Una volta terminata l'ottimizzazione, è possibile cercare tra 300 milioni di risultati positivi i cinque che superano l'OOS. Io non lo faccio.
  • Oppure si possono prendere i cinque risultati più vicini dal massimo globale e guardarli solo per l'OOS.
Quindi, se si fa la prima, si tratta di un'ottimizzazione della vista.

Forum sul trading, sui sistemi di trading automatizzati e sulla verifica delle strategie di trading.

L'apprendimento automatico nel trading: teoria, modelli, pratica e trading di algoritmi

fxsaber, 2023.08.19 01:32 pm

Secondo voi bisogna fidarsi di più del modello train_optim + test_forward piuttosto che (train+test)_optim?

Cioè è un fit nella sua forma più pura.


Se fai quest 'ultimo modello, tuttavia, non è un fit.

 
Maxim Dmitrievsky #:

Esattamente nello stesso modo in cui ottengo entrambi i modelli funzionanti OOS e non, attraverso lo stesso algoritmo. Il simbolo è lo stesso, non è stata aggiunta alcuna nuova randomizzazione.

La formazione non è stata effettuata sullo stesso simbolo. Ovviamente ci sono serie con qualsiasi caratteristica nella nuvola di randomizzazione.

 

La parte anteriore è peggiore e quella posteriore è migliore. E le situazioni inverse sono esattamente le stesse. Solo che al momento non ho fatto molte ricostruzioni.

 
fxsaber #:

La sua affermazione.

Immaginiamo che ci siano un milione di volte più varianti in totale: 1 miliardo di TC, 300 milioni di varianti TC trovate, dove sul campione addestrato si guadagna - questo è il punto 1.

In p.1. l'ottimizzazione viene effettuata su una funzione di fitness. Più alto è il valore, più si presume che il fitness sia elevato. Quindi l'ottimizzazione si occupa di trovare il massimo globale. Tutto questo è il punto 1.


  • Una volta terminata l'ottimizzazione, si potrebbe cercare tra 300 milioni di risultati positivi i cinque che superano l'OOS. Non lo faccio.
  • Oppure si possono prendere i cinque risultati più vicini al massimo globale e guardarli solo per l'OOS.
Quindi, se si fa la prima, si tratta di un'ottimizzazione della forma

Quindi è puro adattamento.


Se si fa la seconda, non è un adattamento.

Ho capito. Mi scuso.

 
fxsaber #:

Ho ricevuto una formazione su più di una caratteristica. Ovviamente, nella nuvola di randomizzazione ci sono righe con qualsiasi caratteristica.

Non vedo alcun problema. Tutti questi TS sono randomizzati perché operano in un mercato non stazionario. Ma alcune varianti possono portare profitto in una certa prospettiva.

 
Maxim Dmitrievsky #:

Sì, l'evidenziazione

È necessario eseguire molte volte, molti caratteri.


Ho mostrato un esempio del mio sovracampionatore qui sopra. Prende a caso i campioni per l'addestramento dalla stessa riga e i risultati sono sempre diversi su OOS.

Sul simbolo reale non ho questo effetto. Scelgo un 40% qualsiasi dell'intervallo di ottimizzazione e poi i risultati sono molto simili su OOS.

Questo è il simbolo che ho scelto per la randomizzazione e di cui ho fornito i grafici di allenamento.

Esattamente gli stessi cali di tensione sull'OOS.

Non li vedo sempre.

 
fxsaber #:

Sul simbolo reale non ho osservato questo effetto. Ho scelto un qualsiasi 40% dell'intervallo di ottimizzazione e dopo questo i risultati sono molto simili a quelli di OOS.

Questo è il simbolo che ho scelto per la randomizzazione e di cui ho fornito i grafici di allenamento.

Non li vedo sempre.

Significa comunque che c'è più alfa nei tick. Ho trovato un modo per effettuare una ricerca rapida (con MO sarebbe stato molto lungo). Presenterò i risultati più tardi, quando avrò finito.

1...317631773178317931803181318231833184318531863187318831893190...3399
Nuovo commento