L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2566

 
Renat Akhtyamov #:

https://www.mql5.com/ru/forum/375928/page2

se 0 ≤ H < 0,5 - i prezzi sono frattali, la validità della FMH è confermata, ci sono "code pesanti" nella distribuzione delle variabili, serie antipersistenti, cioè correlazione negativa nei cambiamenti di prezzo, rumore rosa con frequenti cambiamenti di direzione dei prezzi;
👍
 
Se si prendono le realizzazioni di SB e si calcola Hearst per loro, sarà sempre diverso e differirà da 0,5 e a volte molto. Per dare un senso a questi calcoli, si dovrebbe sempre calcolare un valore p - la probabilità che i calcoli siano stati eseguiti su SB.
 
Aleksey Nikolayev #:

Vorontsov è probabilmente il miglior esperto di MoD in Russia. Il corso è quindi destinato ad essere buono, ma poiché è per gli informatici, omette la matematica di base e importante per noi. Ho notato molte volte che per l'applicazione di metodi matematici nel trading, pochi sono adatti nella loro forma base e semplificata.

Il MO si basa (vedi per esempio Tibshirani) sull'assunzione che ci sia una distribuzione congiunta costante di predittori e risposte P(X,Y). Da esso, la probabilità condizionata Py(Y|X) può essere calcolata, da cui la regressione Y=f(X) può essere calcolata. Alla fine, questa regressione è approssimata da alcuni modelli MO. Nel mondo fisico questa teoria funziona più o meno. Ma non nel trading. Si scopre che P(X,Y) cambia in modo imprevedibile con il tempo (non stazionarietà) e l'intera teoria crolla un po'.

L'approccio più comune è quello di ignorare semplicemente la non stazionarietà e poi essere sorpresi dai risultati e lamentarsi del MO).

È importante capire esattamente: "non stazionarietà" di cosa? e non scendere alla non stazionarietà della serie temporale stessa. Si può probabilmente ignorare la non stazionarietà del quoziente stesso.

La pietra angolare è la probabilità condizionata Py(Y|X).

Invece della probabilità condizionata, è più conveniente usare il "potere predittivo" del predittore rispetto a un particolare insegnante.

Ho introdotto una misura di tale capacità predittiva e ho eseguito una finestra su BP, digitando le statistiche di 2000 esempi. Noterò specificamente che non si parla affatto di modelli. Alla ricerca di una coppia predittore-insegnante.


Ecco una parte dei risultati: la colonna è un singolo predittore, le linee di sintesi sono date: capacità predittiva media, deviazione standard e % per comodità.


Vediamo che c'è un predittore con un rapporto sd/media di circa il 10% tra i predittori. Ma notevolmente, NON ho incontrato alcun predittore che abbia questa percentuale superiore al 100%.

Quindi la sfida del design è trovare un insieme di predittori per un particolare insegnante che sia limitato a un rapporto sd/media del 10%, o preferibilmente del 5%, che può essere trascurato. La stabilità della prevedibilità è la pietra angolare di un sistema di trading.

 

cerca su Google la frase alla lettera

"

Si scopreche il miglior predittore del valore futuro del livello della serie è il suo valore attuale

"

 
SanSanych Fomenko #:

È importante capire esattamente: "non stazionarietà" di cosa? e non saltare alla non stazionarietà della serie temporale stessa. Si può probabilmente ignorare la non stazionarietà del quoziente stesso.

La pietra angolare è la probabilità condizionata Py(Y|X).

Invece della probabilità condizionata, è più conveniente usare il "potere predittivo" del predittore rispetto a un particolare insegnante.

Ho introdotto una misura di tale potere predittivo e ho eseguito una finestra su BP, digitando le statistiche di 2000 esempi. Noterò specificamente che non si parla affatto di modelli. Alla ricerca di una coppia predittore-insegnante.


Ecco una parte dei risultati: la colonna è un singolo predittore, le linee di sintesi sono date: capacità predittiva media, deviazione standard e % per comodità.


Vediamo che tra i predittori c'è un predittore con un rapporto sd/media di circa il 10%. Ma notevolmente, NON ho incontrato alcun predittore che abbia questa percentuale superiore al 100%.

Quindi la sfida del design è trovare un insieme di predittori per un particolare insegnante che sia limitato a un rapporto sd/media del 10%, o preferibilmente del 5%, che può essere trascurato. La stabilità della capacità predittiva è la pietra angolare di un sistema di trading.

È solo un elemento dell'arte del maestro artigiano in MoD, trovare queste connessioni. Faccio qualcosa di simile sulla base del mio lavoro. Spesso si cercano le dipendenze attraverso la cross-entropia, che è costosa in termini di risorse. È più veloce per voi?
 
SanSanych Fomenko #:

È importante capire esattamente: "non stazionarietà" di cosa? e non saltare alla non stazionarietà della serie temporale stessa. Si può probabilmente ignorare la non stazionarietà del quoziente stesso.

La pietra angolare è la probabilità condizionata Py(Y|X).

Invece della probabilità condizionata, è più conveniente usare il "potere predittivo" del predittore rispetto a un particolare insegnante.

Ho introdotto una misura di tale capacità predittiva e ho eseguito una finestra su BP, digitando le statistiche di 2000 esempi. Noterò specificamente che non si parla affatto di modelli. Alla ricerca di una coppia predittore-insegnante.


Ecco una parte dei risultati: la colonna è un singolo predittore, le linee di sintesi sono date: capacità predittiva media, deviazione standard e % per comodità.


Vediamo che tra i predittori c'è un predittore con un rapporto sd/media di circa il 10%. Ma notevolmente, NON ho incontrato alcun predittore che abbia questa percentuale superiore al 100%.

Quindi la sfida del design è trovare un insieme di predittori per un particolare insegnante che sia limitato a un rapporto sd/media del 10%, o preferibilmente del 5%, che può essere trascurato. La stabilità dei predittori è la pietra angolare di un sistema di trading.

Senza la stazionarietà delle serie i calcoli statistici come i vostri possono essere privi di senso - i valori del campione possono non convergere ai valori veri. Per esempio, non è difficile pensare a un esempio in cui la correlazione del campione di incrementi adiacenti sarebbe non-zero, ma la vera correlazione sarebbe zero.

PS.

La stazionarietà è intesa "in senso stretto" - distribuzioni congiunte indipendenti dal tempo.

La stazionarietà può essere incompleta - per esempio riferirsi solo alle distribuzioni congiunte degli incrementi (processi con incrementi stazionari).

Naturalmente è corretto parlare di stazionarietà di una pendenza e non di una serie che è solo una delle realizzazioni di un dato processo. Ma non siamo a un esame, quindi non importa).

La stazionarietà è spesso intesa come una variante "in senso lato". Ricordano solo la costanza della media e della varianza, dimenticando la condizione sull'ACF. In ogni caso, tale stazionarietà non è sufficiente in MO (sarà sufficiente per i modelli lineari).

 
Non ci sono veri valori nel mercato. Ci sono solo realizzazioni.
 
Maxim Dmitrievsky #:
È solo un elemento dell'arte dell'artigiano in MO, trovare queste connessioni. Sto facendo qualcosa di simile sulla base della mia esperienza. Spesso cercano le dipendenze attraverso l'entropia incrociata, che consuma risorse. È più veloce per voi?

Circa un secondo per predittore (XEON-1620).

 
Aleksey Nikolayev #:

Senza la stazionarietà delle serie, i calcoli statistici come i vostri possono essere privi di significato - non ci può essere convergenza dei valori campionati ai valori veri. Per esempio, non è difficile pensare a un esempio in cui la correlazione campionaria degli incrementi adiacenti non è zero, ma la vera correlazione è zero.

PS.

La stazionarietà è intesa "in senso stretto" - distribuzioni congiunte indipendenti dal tempo.

La stazionarietà può essere incompleta - per esempio riferirsi solo alle distribuzioni congiunte degli incrementi (processi con incrementi stazionari).

Naturalmente è corretto parlare di stazionarietà di una pendenza e non di una serie che è solo una delle realizzazioni di un dato processo. Ma non siamo a un esame, quindi non importa).

La stazionarietà è spesso intesa come una variante "in senso lato". Ricordano solo la costanza della media e della varianza, dimenticando la condizione sull'ACF. In ogni caso, tale stazionarietà non è sufficiente in MO (sarà sufficiente per i modelli lineari).

Non mi interessa il quoziente in sé. Mi interessa la capacità del predittore di prevedere l'insegnante. Per me il più grande errore della grande maggioranza dei commercianti è nei loro tentativi di risolvere il kotir stesso. E abbiamo bisogno della previsione dell'insegnante. Questo è un problema completamente diverso.

 
SanSanych Fomenko #:

Non sono interessato al cofanetto in sé. Mi interessa la capacità del predittore di prevedere l'insegnante. Per me il più grande errore della grande maggioranza dei commercianti è cercare di risolvere i problemi del kotir stesso. E abbiamo bisogno della previsione dell'insegnante. Questo è un problema completamente diverso.

Cos'è questa "previsione dell'insegnante"?