L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1189

[Maxim Dmitrievsky]

Aleksey Nikolayev:

Non ho visto nulla nel ramo sui criteri di informazione(Bayesiani o Akaike). Forse sono usati di default (nei pacchetti MO applicati)?

si usa l'entropia incrociata o il log-loss

per la classificazione multiclasse e binaria rispettivamente

per i compiti di regressione al quadrato medio. (rms) e simili

Credo che questo sia akaike

[Maxim Dmitrievsky]

Ho controllato PCA e LDA per la pre-elaborazione dei predittori (sbarazzarsi della collinearità). Come previsto, non funziona sui nuovi dati perché i componenti stessi iniziano a rimbalzare, anche se il modello può essere leggermente meglio addestrato su di essi nel treno. Ma poiché i componenti stessi si comportano in modo imprevedibile sui nuovi dati, è lo stesso e anche peggio. In generale, molte delle tecniche classiche del MO semplicemente non si applicano al mercato, o meglio, non funziona a testa alta.

[Aleksey Nikolayev]

Maxim Dmitrievsky:

si usa l'entropia incrociata o il Log Loss

per la classificazione multiclasse e binaria rispettivamente

per i compiti di regressione media-quadrata. (rms) e simili

Immagino che Akaike sia questo.

Sembra che sia così.

[Aleksey Nikolayev]

Maxim Dmitrievsky:
Controllato PCA e LDA per la pre-elaborazione dei predittori (sbarazzarsi della collinearità). Come previsto, non funziona con i nuovi dati perché i componenti stessi iniziano a saltare, anche se il modello può essere addestrato su di essi un po' meglio in un rimorchio. Ma poiché i componenti stessi si comportano in modo imprevedibile sui nuovi dati, è lo stesso e anche peggio. In generale, molte delle tecniche classiche di MO non sono semplicemente applicabili al mercato.

A causa della non stazionarietà, a volte è necessario scartare la storia obsoleta:

1) Abbiamo bisogno di un algoritmo adeguato per scartare la parte obsoleta del campione (ricerca di discontinuità).

2) La parte rimanente del campione sarà sempre di lunghezza variabile e spesso breve. Anche qui abbiamo bisogno di modelli giusti.

[Igor Makanu]

Maxim Dmitrievsky:

Questo è già stato implementato nel nuovo articolo, ma non esattamente come vorremmo.

di quale articolo stiamo parlando?

[Maxim Dmitrievsky]

Igor Makanu:

di quale articolo stiamo parlando?

che è stato sottoposto a moderazione, non ancora pubblicato

[Aleksey Nikolayev]

Maxim Dmitrievsky:

c'è un altro approccio, lo vedo come il più promettente al momento - modelli bruteforcing attraverso l'enumerazione delle variabili di output

Approssimativamente, il trader virtuale scambia un numero pseudo-casuale di volte (come Monte Carlo o la genetica), ogni volta lui/lei guarda il suo commercio e corregge le posizioni sbagliate, trasforma quelle non redditizie approssimativamente parlando, in modo che diventino redditizie.

dopo ogni passaggio si riaddestra su operazioni corrette. Questo è già implementato nel nuovo articolo, ma non proprio come vorremmo che fosse. Abbiamo bisogno di combinazioni interessanti di uscite che dipendono dalle condizioni attuali del mercato, per esempio dalla dispersione e dalla pendenza su n barre. Per ciascuna di queste caratteristiche viene selezionata una distribuzione da cui vengono campionati i trade casuali, poi allo stesso modo vengono corretti i trade non redditizi e addestrati su di essi. Dopo molti passaggi si cerca la strategia ottimale (basata sull'errore minimo sul campione di prova).

Care persone competenti, prestate attenzione, Domanda: come organizzare in modo interessante le dipendenze delle attuali caratteristiche probabilistiche del mercato e le distribuzioni da cui vengono campionati gli output casuali. In questo caso sia il numero di trade che alcune dipendenze all'interno del modello cambieranno, cioè otterremo molti modelli (soluzioni) redditizi diversi, tra i quali il modello ottimale viene selezionato secondo un criterio di ottimizzazione personalizzato (errore del modello, stabilità su nuovi dati).

Le uscite sembrano avere senso quando l'equity drawdown è superiore a quello specificato e la sua crescita è troppo lenta rispetto alla volatilità (piccolo rapporto tra skewness e varianza)

Non è molto chiaro come questo approccio aiuterà a combattere la non stazionarietà).

[Igor Makanu]

Maxim Dmitrievsky:

che è stato sottoposto a moderazione, non ancora pubblicato

grazie, aspetterò, ora non me lo perderò!

[mytarmailS]

articolo interessantehttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

e il blog in generale

[Aleksey Vyazmikin]

mytarmailS:

articolo interessantehttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

e il blog in generale.

Avete provato a esprimere il suo indicatore in codice?

1) находим максимум минус минимум для каждого из 10 дней, предшествующих настоящему моменту; 
2) берем сумму этих значений (сумма частей); 
3) находим 10-дневный диапазон: 10-дневный максимум минус 10-дневный минимум; 
4) делим сумму частей на целый диапазон – это основная мера фрактальной размерности/сложности; 
5) берем 60-дневную среднюю 10-дневной серии значений сложности – это метрика квартального хаоса/стабильности; 
6) используем 252-дневное нормальное распределение z-оценки или ранг процентиля метрики хаоса/стабильности; 
7) значения, которые выше 0,5, показывают, что рынок находится в режиме «хаоса» и гораздо менее предсказуем и нестационарен, значения ниже 0,5 показывают, что рынок стабилен и намного более предсказуем.