L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2750
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
Mi ricordo, ma è un errore di adattamento, voglio dire, il campionamento delle tracce...
È l'errore delle 300 barre successive. I predittori sono stati generati su ogni barra, poi filtrati, il modello è stato addestrato e la barra successiva è stata prevista.
Beh, ha senso, perché spesso i modelli non vivono a lungo. Ma vorrei trovare opzioni che non richiedano un costante retraining, almeno nell'intervallo di un anno o più, con un lento degrado del modello, che sia facile da tracciare
.
Non sono d'accordo.
Il mercato cambia e gli intervalli di tempo del cambiamento sono diversi e indipendenti l'uno dall'altro.
Un tempo ero in grado di scrivere EA che vivevano da 3 a 6 mesi. Li ottimizzavo nei fine settimana. Poi morivano, e per un breve periodo abbastanza da prosciugare il deposito. Ma non abbastanza tempo per l'ottimizzazione. Alla fine la situazione era ancora peggiore: dopo qualche tempo si scoprì che esisteva un limite, allontanandosi dal quale era impossibile selezionare i parametri.
I periodi di cambiamento del mercato sono più lunghi: 5-7 anni. Ma il risultato è lo stesso dei periodi mensili. Il bot muore per sempre. Invierò un bot specifico del mercato in un messaggio privato - qui non è possibile.
Quindi l'idea di "fuori campione" è una sciocchezza. Un bot ha ancora una vita, non sappiamo quanto lunga: 3 mesi o 7 anni. Quando il bot muore, lo confondiamo con un altro drawdown e perdiamo il nostro deposito.
L'ideale sarebbe riqualificarlo sulla candela successiva. Se lavoriamo sui tick, allora sul tick successivo, sull'H1 poi sull'arrivo dell'ora successiva.
Non discuto il fatto che ci si possa allenare su ogni sbarra, e magari anche su una sbarra non stazionaria, ad esempio. Non capisco completamente la struttura dell'allenamento. La logica EA è un allenamento separato o fa parte dell'allenamento su ogni barra? È come le code della prima formazione, quante code o fasi di formazione?
Su ogni barra tutto è nuovo
Esistono modelli più legnosi per l'inferenza causale, ma non ho ancora avuto il tempo di scoprirli.
dalla pratica, molte interpretazioni:
- l'ambiente influenza il soggetto (quando tutto è correlato in condizioni di laboratorio, in condizioni naturali appaiono altre dipendenze non considerate - la più banale è il fattore umano o l'effetto di affollamento) - RL è migliore di ML, ma è anche necessario modellare e non tutto può essere preso in considerazione....
- quando si tratta di 2 valori correlati si può solo fare un'inferenza su cosa dipende da cosa, non viceversa (risultato su fattore o fattore su risultato)
- mediazione, moderazione, interazione, dipendenze che interferiscono nel processo (spesso non rintracciabili nemmeno sperimentalmente)
- in generale, è importante pianificare un esperimento (è utile poter disegnare grafici di dipendenze, proprio logiche, teoriche) per pianificare un esperimento, i cui risultati possono essere elaborati da ML o anche più semplicemente .......
cioè in quale sequenza e quali fattori fissare per ottenere una distribuzione condizionale sul fattore indagato, o l'influenza congiunta di 2 fattori indagati, per confrontare i risultati ottenuti con la distribuzione incondizionata - per avanzare un'ipotesi "meglio - non meglio", "influenza - non_influenza", per confermare o confutare statisticamente, per trasferire i test sul campo.... e si ottiene una nuova inferenza causale).
e in ML RF - non so come facciano a elaborare le matrici di correlazione - (soprattutto il punto 2 è discutibile).
Molte persone criticano i modelli probabilistici proprio a causa del punto 2 e iniziano a esaltare l'inferenza causale, sostenendo di aver tenuto conto dell'influenza di altri fattori.... ma algoritmicamente come la questione (! un'altra parola sinonimo di ragionamento) venga risolta dall'apparato della VM non è noto (almeno a me) - direi "nulla".
Per me l'inferenza causale è essenzialmente un ragionamento, e lo studio della mediazione, della moderazione, dell'interazione è un grande argomento separato e una questione di gusto (cioè di abbozzare questo o quel grafico costruito logicamente) - anche una sorta di Design (esperimento).
Con un'impostazione ragionevole dell'esperimento, un'analisi OLS o ANOVA sarà sufficiente (ma non sarà necessario individuare con certezza le fiches).
?? ... quindi non conosco l'algoritmo di attribuzione di una caratteristica ad un fattore o ad un risultato (con modelli di legno o altro), se non per logica e conoscenza teorica .... ma al giorno d'oggi abbiamo ogni sorta di cose che vengono pubblicizzate con altre parole -- non so in quale contesto tu abbia incontrato l'inferenza causale
dalla pratica, molte interpretazioni:
- l'ambiente influenza la persona che esegue il test (quando tutto è correlato in condizioni di laboratorio, in condizioni naturali compaiono altre dipendenze non contabilizzate - la più banale - fattore umano o effetto di affollamento) - RL è migliore di ML, ma è anche necessario modellare e non tutto può essere preso in considerazione....
- quando si tratta di 2 valori correlati si può solo fare un'inferenza su cosa dipende da cosa, ma non viceversa (risultato su fattore o fattore su risultato)
- mediazione, moderazione, interazione, dipendenze che interferiscono nel processo (spesso non rintracciabili nemmeno sperimentalmente)
- in generale, è importante pianificare un esperimento (è utile poter disegnare grafici di dipendenze, proprio logici, teorici) per pianificare un esperimento, i cui risultati possono essere elaborati da ML....
cioè in quale sequenza e quali fattori fissare per ottenere una distribuzione condizionale per il fattore indagato, o l'influenza congiunta di 2 fattori indagati, per confrontare i risultati ottenuti con la distribuzione incondizionata - per avanzare un'ipotesi "meglio - non meglio", per confermare o confutare statisticamente, per trasferire i test sul campo ... e imbattersi in una nuova inferenza causale)
e in ML RF - non so come facciano, a elaborare matrici di correlazione - (soprattutto il punto 2 è discutibile).
Molte persone criticano i modelli probabilistici proprio a causa del punto 2 e iniziano a esaltare l'inferenza causale, sostenendo di aver tenuto conto dell'influenza di altri fattori.... ma algoritmicamente come la questione (! un'altra parola sinonimo di ragionamento) sia risolta dall'apparato della VM non è noto (almeno a me) - direi "nulla".
Per me l'inferenza causale è essenzialmente ragionamento, e lo studio della mediazione, della moderazione, dell'interazione è un grande argomento separato e una questione di gusto (cioè di abbozzare un grafico costruito logicamente) - anche una sorta di Design (esperimento).
avendo solo 1 BP sul mercato, non è possibile testare realmente un'ipotesi sulle dipendenze... e con una sperimentazione ragionevole un OLS o un LDA sarà sufficiente (ma non sarà necessario allocare le caratteristiche con certezza).
?? ... quindi non conosco l'algoritmo di attribuzione di una caratteristica ad un fattore o ad un risultato (tramite modelli di legno o altro), se non per logica e conoscenza teorica..... ma al giorno d'oggi abbiamo ogni sorta di cose che vengono pubblicizzate con altre parole -- non so in quale contesto tu abbia incontrato l'inferenza causale
Ho visto alcune pubblicità di Uber che dicevano di aver migliorato i loro processi.
e l'interpretazione generale che correlazione = causalità e cercare di risolverla in modi diversi, a partire da A/B, ma non ne sono sicuro.
Hanno delle definizioni strane, non si può capire senza una bottiglia, bisogna riempirsi la testa di parole inutili.
A proposito, mi chiedo come funzioneranno gli altri modelli, se saranno in grado di creare la funzione mach() senza errore
Ho addestrato brevemente diversi modelli senza alcuna messa a punto del GP
conclusione: i modelli non sono in grado di creare la funzione, ma solo di approssimarla con una certa precisione, quindi la creazione di caratteristiche e la selezione delle caratteristiche sono ancora importanti.
Questo è l'errore sulle 300 barre successive. Ad ogni barra, i predittori sono stati formati, poi filtrati, il modello è stato addestrato e la barra successiva è stata prevista.
Cercherò di fare qualcosa di simile in serata, ma ho fatto un bel po' di bot di riqualificazione e non riesco a credere che abbiano dato un tale punteggio....
C'è piuttosto una confusione nei concetti/comprensioni di cosa sia un campione di test, e per questo parliamo di cose diverse, chiamandole allo stesso modo.
La coda di attività è stata scaricata un po' - è diventato possibile eseguire lo script. Lo eseguo e ottengo un errore.
Ho capito bene che il programma vuole la vecchia versione R 4.0?
Beh, ho cercato una vecchia versione ma non l'ho trovata. Una terribile incompatibilità è ripugnante, ovviamente.
Sbagliato. Se un pacchetto viene compilato per una versione diversa, ci sarà un avviso. Di quale incompatibilità stiamo parlando?
randomForest v.4.7-1.1 non è andato da nessuna parte e in crane. R 4.1.3
Si noti che a partire dalla build 3440 inizieremo a distribuire le versioni AVX del software: https://www.mql5.com/ru/forum/432624/page5#comment_42117241.
Il passo successivo è quello di riscrivere l'apparato matematico in funzioni vettoriali e OpenCL, che forniscono accelerazioni decadali senza la necessità di installare librerie aggiuntive come CUDA.
Si tratta di un grande passo avanti. Avete bisogno di riscrivere indicatori ed esperti?
Non posso essere d'accordo.
Il mercato sta cambiando e gli intervalli di tempo del cambiamento sono diversi e indipendenti l'uno dall'altro.
Un tempo ero in grado di scrivere Expert Advisor che vivevano da 3 a 6 mesi. Li ottimizzavo nei fine settimana. Poi morivano, e per un breve periodo abbastanza da prosciugare il deposito. Ma non abbastanza per ottimizzare. Alla fine la situazione era ancora peggiore: dopo un po' di tempo si scoprì che esisteva un limite, allontanandosi dal quale era impossibile selezionare i parametri.
I periodi di cambiamento del mercato sono più lunghi: 5-7 anni. Ma il risultato è lo stesso dei periodi mensili. Il bot muore per sempre. Invierò un bot specifico del mercato in un messaggio privato - non è possibile farlo qui.
Quindi tutta questa idea del "fuori campione" è una sciocchezza. Un bot ha ancora una vita, non sappiamo quanto lunga: 3 mesi o 7 anni. Quando il bot muore, lo confondiamo con un altro drawdown e svuotiamo il nostro deposito.
L'ideale sarebbe riqualificarlo alla candela successiva. Se lavoriamo sui tick, allora sul tick successivo, sull'H1 e sull'arrivo dell'ora successiva.
Avete confrontato il vostro algoritmo con KNN (o una sua modifica)? Sarebbe interessante capire quanto sia significativo il guadagno.