트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 156

 
그건 그렇고, 장기적으로 우주의 이자는 5분 만에 얻어지며 그에 상응하는 거래도 증가하므로 ..... 모든 것이 수렴됩니다.
 
알렉세이 버나코프 :


2) 글쎄요... 하지만 이 샤프 2-3은 어떻게 계산되나요? 펀드는 이것이 실제 거래에 대한 Sharp의 실제 평가임을 보다 정확하게 결정하는 방법을 어떻게 고려합니까?


문제는 모델에서 Sharp가 위험 대비 수익의 비율이고 수익으로 고려해야 할 사항의 많은 변형이 있다는 것입니다(예: 어리석게도 성장의 백분율 또는 성장 역학의 회귀 등). 위험은 CKO 또는 최대 드로다운 등입니다. 차이가 근본적인 것은 아니지만 2-3이 현실이라면 모두 억만장자가 될 것입니다. 여러 가지 이유로 실제 거래에서는 박사 팀이 하는 경우에도 몇 배나 적게 나옵니다. 그러나 많은 부분이 용량과 관련이 있습니다. 많은 모델이 10만 달러 또는 최대 1000만 달러에 거래된다면 상황은 훨씬 나아지겠지만 직원 보너스로 투자와 급여를 갚지 못할 것입니다.

 
제이비 .:

문제는 모델에서 Sharp가 위험 대비 수익의 비율이고 수익으로 고려해야 할 사항의 많은 변형이 있다는 것입니다(예: 어리석게도 성장의 백분율 또는 성장 역학의 회귀 등). 위험은 CKO 또는 최대 드로다운 등입니다. 차이가 근본적인 것은 아니지만 2-3이 현실이라면 모두 억만장자가 될 것입니다. 여러 가지 이유로 실제 거래에서는 박사 팀이 하는 경우에도 몇 배나 적게 나옵니다. 그러나 많은 부분이 용량과 관련이 있습니다. 많은 모델이 10만 달러 또는 최대 1000만 달러에 거래된다면 상황은 훨씬 나아지겠지만 직원 보너스로 투자와 급여를 갚지 못할 것입니다.

박사 학위는 지표가 아닙니다. 재교육은 Ms와 Bs보다 나쁘지 않을 것입니다. 따라서 실생활에서 메트릭이 급격히 떨어집니다.
 
알렉세이 버나코프 :

알겠습니다.

성장을 업/다운으로 분류하지 않고 회귀 모델을 구축한다고 가정합니다. 따라서 R^2 또는 다른 결정론적 메트릭(예: 강력한 절대 편차 메트릭)이 매우 적합합니다.

상호 정보와 관련하여 - 근거가 없거나 메트릭이 안정적으로 작동하지 않는다는 강력한 증거가 있습니까? 나는 의심한다.

업데이트: 저는 상호 정보를 사용하여 합성 데이터와 실제 데이터에 대해 많은 연구를 했습니다. 종속성이 고정적이면 메트릭은 모든 곳에서 잘 작동합니다. 종속성이 노이즈 직전인 경우 메트릭은 종속성이 0으로 표시될 수 있습니다. 그러나 일반적으로 예를 들어 F1보다 다차원 비선형 시스템에서 더 나쁘게 작동하는 이유를 알 수 없습니다. 여기에서 읽을 수 있습니다: https://habrahabr.ru/company/aligntechnology/blog/303750/

그러나 여전히 가격 변동 증분의 분류를 수행했을 때 다음 그림과 같은 결과를 얻었습니다.


즉, 최대 57%의 영역에서 50개의 지연된 샘플에 대한 평균 정확도 값 이상입니다. 개별 통화 쌍의 경우 60% 이상의 중앙 정확도를 달성했습니다. 이것은 시계열 데이터에만 해당됩니다.

죄송합니다. 확실한 증거를 제시할 시간이 없습니다. 시장 데이터가 고정적이지 않고 종속성이 선형이 아닙니다. 예를 들어 다음과 같이 2d에서 10차원 프랙탈 노이즈를 시뮬레이션합니다. 빨간색 한 클래스는 10d에서만 다른 클래스 녹색

보시다시피 가우스 종속성이 많지 않고 모든 종류의 "섬" 등이 있습니다. 음, 분류가 떨어지면서 한 차원을 추가하고 제거할 때 상호 정보 또는 r ^ 2를 사용하는 효율성이 무엇인지 계산하십시오. R ^ 2는 일반적으로 선형이며 복잡한 토폴로지와 많은 섬의 초표면을 분리하는 경우 모든 것이 슬프다. 여기에는 고전적인 통계 기준이 필수적이며 직접 확인할 수 있습니다. 그리고 그런 죽 100d 또는 1000d라면?

 
제이비 .:

죄송합니다. 확실한 증거를 제시할 시간이 없습니다. 시장 데이터가 고정적이지 않고 종속성이 선형이 아닙니다. 예를 들어 다음과 같이 2d에서 10차원 프랙탈 노이즈를 시뮬레이션합니다. 빨간색 한 클래스는 10d에서만 다른 클래스 녹색

보시다시피 가우스 종속성이 많지 않고 모든 종류의 "섬" 등이 있습니다. 음, 분류가 떨어지면서 한 차원을 추가하고 제거할 때 상호 정보 또는 r ^ 2를 사용하는 효율성이 무엇인지 계산하십시오. R ^ 2는 일반적으로 선형이며 복잡한 토폴로지와 많은 섬의 초표면을 분리하는 경우 모든 것이 슬프다. 여기에는 고전적인 통계 기준이 필수적이며 직접 확인할 수 있습니다. 그리고 그런 죽 100d 또는 1000d?

증거가 아니라...

당신은 나를 이해할 수 없습니다. 나는 분류하지 않지만 회귀 모델 을 구축한다고 말합니다. 그리고 여기 분류가 있습니다... 저는 초평면을 그리는 것이 아닙니다. 나는 중위 목표값에 대한 조건부 모델링을 하고 잔차 분석을 통해 그 품질을 측정한다. 항상 그렇듯이 완료되었습니다.

분류에 대해 이야기하면 예를 들어 확률이 0에 가까울 때와 같이 정규성에 대한 요구 사항이 필요하지 않습니다. 비선형성과 다차원성은 상호 정보의 범위일 뿐입니다. 이걸 잘 이해 못하시는거 같은데...

 
드미트리 :

10%는 보증금의 로딩입니다.

$1,000의 예치금이 있는 경우 10%로 로드하면 $100에 거래가 시작됩니다.

그리고 이제 ATTENTION, 브로커/주방이 제공하는 레버리지에 따라 $10,000(1:100), $5,000(1:50), $20,000(1:200) 등 다양한 로트를 구매할 수 있습니다.

추신 요커니바베이 ........


밝은 테마로 욕하지 마세요...

계산합시다.

첫 번째 예입니다. 500달러가 있습니다. 마이크로 로트는 $1,000입니다. 나는 마이크로 로트로 하나의 거래를 열고(많은 양의 구매가 더 이상 고유한 위험 한도에 맞지 않기 때문에) 1:2의 레버리지를 사용합니다. 딜러가 1:100의 최대 레버리지를 제공하기 때문에 $1000/100 구매에 대해 보증금을 2% 로드합니다.

두 번째 예. 동일한 자본으로 5개 거래를 열면 10%의 보증금을 로드하고 1:10 레버리지(0.01 * 100000 * 5 / 500)를 사용합니다.

즉, 창고 적재 비율만 제공된 최대 레버리지에 따라 달라지며 전체 커틀릿을 열 수 있습니다. 관련된 실제 레버리지는 나에게 달려 있습니다. 그러나 최소는 내 투자와 1:2입니다.

이제 모든 것이 명확해졌습니까?

 
알렉세이 버나코프 :

밝은 테마로 욕하지 마세요...

계산합시다.

첫 번째 예입니다. 500달러가 있습니다. 마이크로 로트는 $1,000입니다. 나는 마이크로 로트로 하나의 거래를 열고(많은 양의 구매가 더 이상 고유한 위험 한도에 맞지 않기 때문에) 1:2의 레버리지를 사용합니다. 딜러가 1:100의 최대 레버리지를 제공하기 때문에 $1000/100 구매에 대해 보증금을 2% 로드합니다.

동일한 자본으로 5개 거래를 열면 10%의 보증금을 로드하고 1:10 레버리지(0.01 * 100000 * 5 / 500)를 사용합니다.

이제 모든 것이 명확해졌습니까?

주방에서 제공하는 것과 동일한 숄더를 사용합니다. 레버리지를 변경하는 것이 아니라(일정하게 설정됨) 주어진 레버리지와 함께 사용되는 자본의 양을 변경합니다.

다시 한 번 – 귀하 의 계정 유형에 대해 주방이 얼마나 많은 레버리지를 제공합니까? 1시 100분?

 
드미트리 :

주방에서 제공하는 것과 동일한 숄더를 사용합니다. 레버리지를 변경하는 것이 아니라(일정하게 설정됨) 주어진 레버리지와 함께 사용되는 자본의 양을 변경합니다.

다시 한 번 – 귀하 의 계정 유형에 대해 주방이 얼마나 많은 레버리지를 제공합니까? 1시 100분?


최대 레버리지는 예, 1:100입니다. 하지만 나는 그것을 사용하지 않습니다. 다시 한 번 반복합니다.

 
알렉세이 버나코프 :

증거가 아니라...

당신은 나를 이해할 수 없습니다. 분류를 하지 않고 회귀모형을 만든다고 합니다. 그리고 여기 분류가 있습니다... 저는 초평면을 그리는 것이 아닙니다. 나는 중위 목표값에 대한 조건부 모델링을 하고 잔차 분석을 통해 그 품질을 측정한다. 항상 그렇듯이 완료되었습니다.

분류에 대해 이야기하면 예를 들어 확률이 0에 가까울 때와 같이 정규성에 대한 요구 사항이 필요하지 않습니다. 비선형성과 다차원성은 상호 정보의 범위일 뿐입니다. 이걸 잘 이해 못하시는거 같은데...

글쎄, 왜 분류하지 않겠습니까? 예를 들어 1000개의 요인, 예를 들어 100개의 출력이 있는 심층 신경망 을 생각해 보겠습니다. 이 네트워크는 다양한 시간대에 대해 이 도구가 위/아래로 움직일 확률을 제공합니다. 이 회귀는 무엇입니까? 회귀는 가격이 예측되는 경우입니다.

상호 정보를 사용하는 것이 더 편리합니다. 우리는 단순히 요인을 분류하고 각 요인이 최종 예측에 영향을 미치는 비율을 계산합니다. FOR A SPECIFIC MODEL은 이미 더 나쁩니다. 속임수로 googleNet. 우리는 회귀가 필요하지 않습니다. 특정 자산의 비용이 얼마인지 신경 쓰지 않습니다. 이것은 모델을 복잡하게 만들고 의미가 없습니다. 중요한 것은 N 초 동안 주어진 확률로 올바른 방향으로 움직일 것이라는 것입니다.

 
알렉세이 버나코프 :

최대 레버리지는 예, 1:100입니다. 하지만 나는 그것을 사용하지 않습니다. 다시 한 번 반복합니다.

좋아, 기본적인 것을 이해하지 못한다면 논쟁의 의미가 없습니다.

간단히 말해서 이자를 헤지펀드 이자로 전환하려면 약 10으로 나누어야 합니다.