Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 139
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
Tudo isto parece académico.
Se bem me lembro, com mais de 100.000 observações, mesmo o quociente original é quase estacionário.
E daí?
Afinal, provavelmente estamos trabalhando em um terminal em uma janela de 100-150 observações. Em geral, qual deve ser o tamanho da janela? E para quê?
Se para remover os preditores de ruído, um grande número, talvez até 10.000. Você precisa de 100.000 para remover os preditores de ruído?
Na verdade, o tamanho da amostra tem de estar de alguma forma relacionado com algumas características estacionárias do mercado. No caso em discussão, os preditores de ruído devem ser assim para intervalos de tempo suficientemente grandes.
Esta é a fase de remoção de ruído.
O próximo passo é treinar o modelo para garantir que o modelo não seja excessivamente treinado.
Se conseguirmos encontrar um conjunto de preditores sobre os quais o modelo não esteja excessivamente treinado, então tudo o resto faz sentido. Caso contrário, qualquer conversa é totalmente vazia. Não esqueçamos que é muito mais fácil construir um TS conscientemente treinado usando indicadores do que usar todos aqueles gadgets de inteligência artificial, o resultado do qual ainda teremos um TS treinado demais.
Então, temos um certo conjunto de preditores que não leva a uma reciclagem. O valor da rentabilidade não importa, o principal é ter tal rentabilidade e não flutuar muito em amostras diferentes.
E agora o próximo passo.
Pegamos uma pequena janela = 100-500 observações e a usamos para ensinar o modelo selecionando preditores, por exemplo, por rfe. Isso irá diminuir ainda mais o conjunto de preditores. Por experiência em duas vezes.
Usando este conjunto reduzido de preditores, fazemos uma previsão exactamente um passo à frente. Esta previsão deve normalmente ter um intervalo de confiança - este é o risco.
Nós negociamos dentro da previsão. Isto é, prevemos o dia seguinte, e trocamos no M5. Em metade do movimento previsto, colocamos TP.
Ao sair de todas as posições, mudamos a janela, selecionamos os preditores por rfe e predizemos novamente.
O erro de previsão é um erro em cada passo, não todos de uma só vez.
Mas o valor prático não é este valor, mas o valor do fator lucro/perda ou algo mais, pelo menos no testador.
Parece tudo académico.
///
Substituirei todas as suas conclusões por uma única frase: os preditores sem ruído trabalharão em uma amostra infinitamente grande. Portanto, a triagem de ruído deve ser feita em uma amostra o maior possível.
Se os seus "preditores sem ruído" trabalham com uma amostra finita do quociente, então são ruído local.
OK, vai ser interessante de ler.
A CNN não é uma rede recorrente em si mesma.
Por falar em redes convolucionais. Este tipo de rede neural não foi concebida para resolver problemas de regressão. É por isso que os resultados da experiência pública foram decepcionantes.
As tarefas a serem resolvidas pela CNN são a classificação, localização, detecção e segmentação.
Então, estas são "notas na margem".
Boa sorte.
Por falar em redes convolucionais. Este tipo de rede neural não foi concebida para resolver problemas de regressão. É por isso que os resultados da experiência pública são deploráveis.
As tarefas resolvidas pela CNN são classificação, localização, detecção, segmentação.
Essas são apenas "notas na margem".
Boa sorte.
Tem a certeza de que a classificação não pode ser representada como regressão e vice-versa? Afinal, este bloco é resolvido em camadas totalmente conectadas, e qual é a diferença aí? Você tem um pruf?
E a propósito, os resultados não são deploráveis. Porquê tão decidido? É que a função é bastante complexa e a rede deixa de distingui-la do ruído (quero dizer, uma rede totalmente interligada). Já o resolveu você mesmo, ou estamos apenas a demagogar?
Pessoal, alguém tem cotações intradiárias, de preferência índices M5, precisa de três instrumentos, pelo menos 50.000 velas
1) Euro Stoxx 50 ouEuro Stoxx 600
2) Dow Jones ou S&P 500 ou NASDAQ
3) Par EUR/USD
Se tiver alguma, por favor, avise-me para experiências, ficarei muito grato.
Alexey Burnakov:
Se os seus "preditores sem ruído" trabalham num segmento de quociente limitado, então eles são ruído local.
O que você quer provar nas amostras mais longas possíveis? A hipótese dos mercados eficientes? Há um bando de noobiles por aí, incluindo falidos que pregaram essa hipótese.
Eu, por outro lado, estou a falar de uma aplicação muito específica das ferramentas. E essa especificidade para mim está resumida na frase: "meia-volta à frente". Neste quadro, o horizonte de previsão ideal é de 1 semana, para colocar o coração à vontade - 2 meses.
Tudo o resto tem de ser ajustado precisamente à retirada dos lucros. Aqui e agora. O que estava acontecendo antes de 87 não é interessante. Não é interessante o que aconteceu antes de 97, e se formos mais longe, a próxima fronteira é 2007. Ao escolher um período de tempo para identificar os preditores de ruído é preciso ter algum tipo de consideração significativa de que o período anterior será semelhante ao futuro. Tudo funciona da mesma forma depois de Brexit e o que acontece depois das eleições nos EUA? Há choques políticos e crashes bolsistas sem relação com a política, e eles dividem os dados históricos em pedaços.
vídeo -https://www.youtube.com/watch?v=-INzzOXxkhU
Na minha opinião, esta é uma das formas correctas de desenvolvimento, e resolve de forma abrangente tanto o problema da selecção do ruído como o da reciclagem(tudo em teoria, claro)
1) Procuramos situações recorrentes na história - uma espécie de selecção de características
2) Calculamos as estatísticas da reação dos preços sobre o padrão, digamos, 10 declínios e 1 crescimento e acontece que fizemos o seguinte
1. Identificámos padrões fortes com boas estatísticas (selecção de características qualitativas)
2. Entendemos que o padrão não se repete (seleção qualitativa de características)
3. Nós essencialmente cruzamos o traço enquanto calculamos todas as estatísticas sobre ele.
4. nos livramos da reciclagem, pois eliminamos todas as coisas desnecessárias, deixando apenas o que funcionou bem em nossa história
e tudo isso em uma garrafa :)
p.s. ao ver o vídeo, não vi uma única vez que ele estava errado sobre a previsão, e isso é muito ...
O que você quer provar com as amostras mais longas possíveis? A hipótese dos mercados eficientes? Há um bando de noobs por aí, incluindo os falidos que pregaram essa hipótese.
Na verdade, estou mostrando que na amostra máxima disponível as dependências das ficções selecionadas são reprodutíveis, o que é o oposto direto da sua afirmação. O mercado é ineficiente ao longo da história.
Não vou comentar o resto dos seus pontos: essa é a sua preferência.
vídeo -https://www.youtube.com/watch?v=-INzzOXxkhU
Na minha opinião, esta é uma das formas correctas de desenvolvimento, e resolve de forma abrangente tanto o problema da selecção do ruído como o da reciclagem(tudo em teoria, claro)
1) Procuramos situações recorrentes na história - uma espécie de selecção de características
2) Calculamos as estatísticas da reação dos preços sobre o padrão, digamos, 10 declínios e 1 crescimento e acontece que fizemos o seguinte
1. Identificámos padrões fortes com boas estatísticas (selecção de características qualitativas)
2. Entendemos que o padrão não se repete (seleção qualitativa de características)
3. Nós essencialmente cruzamos o traço enquanto calculamos todas as estatísticas sobre ele.
4. nos livramos da re-treinamento, pois eliminamos todas as coisas desnecessárias, deixando apenas o que funcionou bem em nossa história
e tudo isso em uma garrafa :)
p.s. ao ver o vídeo, não vi uma única vez que ele estava errado na previsão, e isto é fortemente ...
tudo verdade.
Não vi o vídeo, pois estou convencido de que você pode encaixar qualquer coisa para que fique bonito com uma história tão grande quanto você quiser. A verdade não é bonita. Provar que o modelo não é excessivamente treinado é muito difícil.
Para mim é tudo uma questão de risco - eu tento correr pelo menos um pouco de risco. Você pode criar um Expert Advisor negociando com sucesso uma dúzia de pares por muitos anos, mas para quê? O lucro será provavelmente de alguns por cento ao ano.....
Bem, ainda nem sequer o tentaste... :)
Apenas um pequeno relatório das minhas experiências com a arbitragem estatística.
Ainda não decidi os parâmetros, tomei os melhores de acordo com o teste rápido, também não me preocupei com a gestão de dinheiro.
Então, para dizer, os novos dados "detém a arbitragem" muito melhor do que aqueles sistemas que eu usei, usando a aprendizagem da máquina, detém 10 vezes melhor ...
O que é tão estranho... Tenho mais em meio dia de experiência com arbitragem do que em meio ano com a aprendizagem de uma máquina. Não é só estranho, é perturbador...
o primeiro é que há um grande problema com a arbitragem:
a primeira é que há um significativo +/- 30% de drawdown
E a segunda, ainda não consigo pensar numa maneira de ligar a aprendizagem da máquina a ela :)