L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2169

 
Maxim Dmitrievsky:

Tu fai cose geniali ) Comincerò a guardare lunedì, ai miei preferiti

Grazie! Almeno qualcosa per diluire il ragionamento "teorico"...

 
welimorn:

Se ne avete bisogno, ecco un piccolo script che calcola l'area relativa sotto l'intersezione delle curve della distribuzione dei valori di una caratteristica per due cluster.

Penso che sia una buona metrica per scegliere il metodo di diradamento, l'analisi dell'obiettivo, le caratteristiche e chissà cos'altro.

area_overlap è giallo nell'immagine.

l'argomento è diventato serio )

ecco un modo più avanzato (ma promettente) di leggere

https://ml4trading.io/chapter/19

si tratta di densità e di come si possono campionare caratteristiche ed etichette da un posteriore usando l'autoencoder. È anche possibile trasporre gli spazi delle funzioni in base ai propri gusti.

in particolare i CVAE (autocodificatori variazionali condizionali) sono interessanti

Machine Learning for Trading
Machine Learning for Trading
  • Stefan Jansen
  • ml4trading.io
Learn to extract signals from financial and alternative data to design and backtest algorithmic trading strategies using machine learning.
 

+ decorrelazione totale delle caratteristiche tramite kernel di convoluzione casuale.

Voglio trasferire la parte di risposta a mql, in modo che sia possibile ottenere nuove caratteristiche dal modello addestrato, nel terminale

https://pyts.readthedocs.io/en/latest/auto_examples/transformation/plot_rocket.html

lo scopo del lavoro, in generale

RandOm Convolutional KErnel Transform (ROCKET) — pyts 0.12.dev0 documentation
  • pyts.readthedocs.io
The RandOm Convolutional KErnel Transform (ROCKET) algorithm randomly generates a great variety of convolutional kernels and extracts two features for each convolution: the maximum and the proportion of positive values. This example...
 

Dopo solo pochi esperimenti finora, la conclusione è:

il campionamento dal modello generativo e poi l'apprendimento da quei campioni è molto buono (ma finora ho usato solo GMM (gaussian mixture model), non autoencoder)

la decorrelazione delle caratteristiche tramite ROCKET è ok, c'è un miglioramento della generalizzabilità

 
Maxim Dmitrievsky:

cosa vuoi vedere? ecco il vero tc su MoD dal mio articolo. La formazione è solo 1 mese, poi la generalizzazione per 2 anni. Ed è reale e funziona

Incroci e scambi MAK così come sul mio screenshot

e perché dovrei mostrare il tester?

Potete mostrare i trade //demo o reali, non importa.

 
Renat Akhtyamov:

mostra l'intersezione delle MA e gli scambi come nel mio screenshot

e perché avrei bisogno di mostrarlo al tester?

mostrami il tuo commercio //demo o reale, non importa

prima mostrami il tuo (demo o reale), per un mese, un segnale live su questo servizio

o non fare bogart.

 
kaban_:
C'è qualche utilità per le reti neurali, funziona per il trading?

No, non lo fa, il MO rende solo più o meno "scientificamente" chiaro che in puramente prezzo(i) non c'è quasi nessuna informazione sul futuro dal cambiamento. Ci sono alcune "tracce" naturalmente, briciole, ma non sono prevedibili, lo spread/commissione mangia tutto e la ragione non sono gli algoritmi ma i dati.

I grandi hedge fund hanno migliaia di volte più dati (terabyte al giorno) e scambiano HFT, quindi è possibile costruire un panino dalle briciole, e noi ***simply, tutti i tipi di nuovi quadri e ***differente da reti sociali.

 
Maxim Dmitrievsky:

mostra il tuo primo (demo o reale), in un mese, un segnale live su questo servizio

o non ciarlare

non puoi farlo sul mash, ecco perché non lo mostri

E se fallisci, perché consigli le persone qui?
 
Renat Akhtyamov:

Non puoi farlo sul mash, ecco perché non lo mostri.

Se fallisci, perché continui a dare buoni consigli alla gente?

Avete intenzione di controllare o continuerete a gridare?

Non do consigli a nessuno.

Faresti meglio a imparare il russo.
 
Maxim Dmitrievsky:

Vuoi monitorare o vuoi continuare a starnutire?

Non consiglio niente a nessuno.

gobble

File: