トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 3101

新しいコメント
 

サンプルの各月における1種類のシグナルの割合を別の量子セグメントで測定し、収益性のあるシグナルの平均割合を差し引いてデータ上でバランスを構築すると、次のようになります。

これは私の方法に従って選択された量子セグメントですが、38ヶ月目から127ヶ月目まではこのように安定した傾向があり、その後変動が始まりました。

つまり、サンプルを古典的な60+20+20の方法に従って分割した場合、100カ月くらいまでは学習が進み、すべてがうまくいき、40カ月目から140カ月目まではプラスになり、テスト用の独立したサンプルではすでにリバウンドを伴う下降の動きを捉えることができる。同時に、38ヶ月目以前のトレーニング用サンプルにも同様の動きがあったことがわかるが、どのようなモデルがそれらを考慮し、これらの変動の「説明」を見つけるのだろうか？普通の木型では、サンプル全体の一部を抜き出してしまう。

そこで私が考えているのは、上記のようなニュアンスを考慮し、全体を分割するのではなく、分割後の各セクションの変化を個別に考慮するようなモデル構築の方法だ。

もしかしたら、私はまた車輪の再発明をしているのかもしれないし、すでに解決策があるのかもしれない。システムの概略はすでに紙に書いたが、コードはまだ先の話だ......。

 

ヒストグラムはこんな感じ（エクセル版による）。

パターンが機能していない月があるのがわかるだろう。それらは他の分割によって説明されるべきだが、できれば蓄積された部分を取り除くことが望ましい。

 

そして、私が望んでいるのは、モデルを一生懸命訓練することではないにしても、少なくとも、有利な結果の確率の量子区分がプラスにシフトすることからマイナスにシフトすることまでの変化の区間を、おそらく確率的に、事前に検出することだ。

サンプルはすでに形成されている。

 

ある月の量子セグメントにおけるプラスとマイナスのデルタの割合を+1/-1で表すと、グラフはすでにこのようになり、より面白く見える。


 
どこかの量子力学的なクソカッターのパフォーマンスが低下している。どうすればいいのか？パフォーマンスが低下した新しいデータを使って、そのシグナルの平均化を行う。そうすれば、そこではパフォーマンスが低下しないが、過去のデータではパフォーマンスも低下しない。
何が問題で、それが答えだ。悪しからず。
 
Maxim Dmitrievsky #:
どこかの量子力学で、成績が悪いカットがある。どうすればいいのか。成績の悪い新しいデータを与えて、そのシグナルの平均をとる。そうすれば、そこでの成績はそれほど悪くないが、過去のデータでもそれほど良くない。 何が問題か、それが答えだ。悪しからず。

平均、引き算、割り算 :)

とにかく、私が理解したところでは、「悪い」信号がある場所でターゲットを変えろということですか？

 
Valeriy Yastremskiy #:

アレクセイ・ニコラエフがR上のブログで、ゲーム「カフェ」、つまり少数派の勝利のモデルを実装した。市場という点では似ているが、プレイヤーの立場が参加者の少ない社会にあれば、彼の勝ちとなる（カフェでは、日付に従って、来客数が最も少ない日に来たプレイヤーが勝ち、来客数が多いプレイヤーは負ける）。しかし、これは単純すぎるモデルであり、現実の生活では、国や他の大企業、小さなプレイヤーに至るまで、プレイヤーにはまだ多くの種類がある。このモデルはまだ大まかにすら作成されていない)

しかし、そこにあるグラフは、ティック・ワンダリングに非常に似ているとさえ言える。

価格設定におけるSBモデルは、物理学からのアナローグである理想気体として、どうやら現実には決して起こらない基本的で限界的な変形である。このモデルは、a) 多数の参加者がいること、b) 参加者の取引戦略が他の参加者から絶対的に独立していること、という2つの条件の下で得られる。2つ目の条件を満たすことが難しいことは明らかである。そこで、例えば、市場上に異なる戦略を持つ参加者のグループ（クラスター）が複数存在する場合、SBモデルからの乖離がどのように影響するかを調査することができる。あるいは、参加者の一部がインサイダー情報を持っている。定義上、純粋なSBで儲けることは不可能であり、SBからの乖離でのみ儲けることができる。

 
mytarmailS #:

個人的には、SBモデルの使い道はまったくないと思っている。

何も与えず、良い特性を強調せず、悪い特性を抑制せず、単純化もしない。

そう、グラフは物価のように見える。

もちろん、SBモデルそのものはほとんど役に立たない。モデルからの逸脱が診断されたときにのみ役に立つ。

 
Maxim Dmitrievsky #:

ー平均とー分散のー分散不変性。市場には当然そのようなものはなく、「記念碑」ではない。異方分散性は取り除かれ、あとはSBに近い。

一般に、分布の種類は予測可能性についてほとんど語らない。このような数学的なゲームは、取引から遠い。スプレッドをカバーするようなふわふわ感を気配値に加える。あるいは、一日のある時間帯に平均値に安定的に戻る。スプレッドは変わらず、儲けることができる。おおよそこのようなものを非効率と呼ぶことができる。、ーこのーこういうーこういうーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーー、、、、、ののの、、、、、、、、、、、、、、、、、、ののののののののののののののののののののののののののののののさん（、、、、、、、、、、、さん（、、、、、、、、、、、、さんお天気をむかて る る

しかし、SBからの乖離が理解できるような価格モデルを構築すれば、例えば、それを基に1000年先まで人工的に相場を生成することができる。、フレンドリーなー。あるいは

 
sibirqk #:

SBモデルそのものはもちろんほとんど役に立たない。このモデルからの逸脱が診断（発見）されて初めて役に立つのだ。

アレクセイ・ニコラエフも同じことを言っていた。
このアプローチの名前は？
1...309430953096309730983099310031013102310331043105310631073108...3399
新しいコメント
理由: