Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 31
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Yuri, o primeiro julgamento dos teus dados:
Dois conjuntos diferentes de valores de parâmetros para treinamento. É digno de nota que a AUC está abaixo do rodapé da validação cruzada.
No geral, uma precisão de 51,5% no teste é a melhor que se revelou.
Nem sei como consegues chegar aos 60%.
Devíamos deitar fora esse conjunto de preditores.
Se nós estupidamente tomarmos todos os incrementos de passos e alguns osciladores mais de 100 preditores com mais de 5000 observações, ou seja, H1, então podemos escolher entre 10-15 preditores que não só darão menos de 40% de erro de previsão, mas o mais importante não dará um modelo REFERRED.
Devíamos deitar fora este conjunto de preditores.
Se tomarmos estupidamente incrementos de tudo com alguns osciladores acima de 100 preditores com mais de 5000 observações, ou seja, H1, de tal conjunto podemos escolher 10-15 preditores que não só darão erros de previsão inferiores a 40%, mas mais importante, NÃO darão um modelo REPROVADO.
Em geral, nunca tive uma classificação melhor do que 51,5% de precisão. Assim, o resto das métricas também estará próximo de adivinhações aleatórias.
O balanço das respostas no teste é quase perfeitamente 50/50.
Yuri, estou ansioso pelas tuas revelações.
Em geral, nunca tive uma classificação melhor do que 51,5% de precisão. Assim, o resto das métricas também estará próximo de adivinhações aleatórias.
As respostas equilibradas no teste são quase perfeitas 50/50.
Yuri, estou à espera das tuas revelações.
Eu não estou a esconder nada. Para a versão antiga, cujos resultados já dei acima, todas as informações estão em acesso aberto:
Descrição do método de construção do classificador binário: https://sites.google.com/site/libvmr/
Código fonte Java com comentários: https://sourceforge.net/p/libvmr/code/HEAD/tree/trunk/
Constrói: https://sourceforge.net/projects/libvmr/files/
Yuri, obrigado.
Se o conjunto for linearmente separável, então o número de hiperplanos separadores potenciais é infinito. Nesse caso, é necessário encontrar algum critério para identificar um hiperplano adequado. Um desses critérios foi formulado para o método dos vetores de referência no livro: Vapnik V. N., Chervonenkis A. Y. A teoria do reconhecimento de padrões. Moscovo: Nauka, 1974. Mais precisamente, muitos critérios diferentes são considerados neste livro.
Tanto a SVM como a VMR são métodos vetoriais de referência.
Que método é melhor ou pior pode ser discutido por muito tempo. No entanto, pode-se tomar e verificar a generalizabilidade e então tudo se encaixa.
Se o conjunto for linearmente separável, então o número de hiperplanos separadores potenciais é infinito. Neste caso, é necessário encontrar algum critério para identificar um hiperplano adequado. Um desses critérios foi formulado para o método dos vetores de referência no livro: Vapnik V. N., Chervonenkis A. Y. A teoria do reconhecimento de padrões. Moscovo: Nauka, 1974. Mais precisamente, muitos critérios diferentes são considerados neste livro.
Tanto a SVM como a VMR são métodos vetoriais de referência.
Que método é melhor ou pior pode ser discutido por muito tempo. No entanto, é possível tomar e verificar a capacidade de generalização, e então tudo ficará nos lugares.
Os problemas devem ser resolvidos à medida que chegam, e colocar a carroça (modelo) antes do cavalo (preditores) é um exercício absolutamente fútil. Ainda mais para comparar carrinhos, quando não se sabe o que lhes é aproveitado e se é aproveitado de todo.
Antes de aplicar qualquer tipo de modelo é necessário limpar a lista de preditores do ruído, deixando apenas os preditores que são "relevantes" para a variável alvo. Se isso não for feito, pode-se facilmente entrar em modelos de construção baseados em anéis de Saturno, borras de café e outros preditores que têm sido amplamente utilizados na prática por várias centenas de anos.
O Dr.Trader acima tentou fazer o trabalho de remover o ruído de seu conjunto de preditores.
O resultado é negativo.
Penso que a razão do resultado negativo é o pequeno número de observações com um número muito grande de preditores. Mas esta é a direcção a seguir para cavar antes de aplicar QUALQUER modelo.
Se o conjunto for linearmente separável, então o número de hiperplanos separadores potenciais é infinito. Neste caso, é necessário encontrar algum critério para identificar um hiperplano adequado. Um desses critérios foi formulado para o método dos vetores de referência no livro: Vapnik V. N., Chervonenkis A. Y. A teoria do reconhecimento de padrões. Moscovo: Nauka, 1974. Mais precisamente, muitos critérios diferentes são considerados neste livro.
Tanto a SVM como a VMR são métodos vetoriais de referência.
Que método é melhor ou pior pode ser discutido por muito tempo. No entanto, é possível tomar e verificar a capacidade de generalização, e então tudo ficará nos lugares.
R tem tudo o que você precisa. Ver fTrading::sharpeRatio.
Oh, e PerformanceAnalitics não faria mal em dar uma olhada também.
Boa sorte.