Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1016

 
SanSanych Fomenko:

Eu trouxe a ligação por causa da tabela: um novo olhar sobre os preditores e como um desenvolvimento do pensamento de Alexander sobre ACF.

Fresco, estás a falar a sério? Velho como... o mamute. Como é melhor que Fourier ou outros coeficientes de decomposição ou auto-regressivos e seus valores ou filtros?

Nada disso funciona.

 
Maxim Dmitrievsky:

Fresco, estás a falar a sério? Velho como... o mamute. Como é melhor que Fourier ou outros coeficientes de decomposição ou autoregressivos e seus valores ou filtros

Nada disso funciona.

Fresca para este fio.

Então, o que você tentou?

O quê exatamente? Para que alvo?

 
SanSanych Fomenko:

Fresca para este ramo.

Então, o que você tentou?

O quê especificamente? Para que alvo?

Tentei decomposições diferentes, autoregressivas (sem diferença da acf) juntamente com coeficientes também.

Trabalha em séries bem correlacionadas (tomar a 2ª fila como um acessório, construir um VAR por exemplo entre instrumentos, tomá-lo como um preditor e treinar o modelo). Bem, funciona - desde que a correlação não seja quebrada.

No 1º instrumento funciona da mesma forma que muitos outros preditores, com excesso de equipamento. Os alvos são selecionados automaticamente.

 
Ivan Negreshniy:

Obrigado, não estou muito interessado em ser membro, o que entendo envolver dificuldades significativas, mas em olhar para o nível, que provavelmente não é menos significativo.

(a "adesão" está correta)))) qualquer adesão é geralmente o resultado de conhecimento casual e/ou coincidência, e há alguns caras avançados improvisando seu "kuklusklan" com sua cultura e rituais, estou lá há apenas alguns meses, até que a informação super valiosa seja reeled in, mas o facto de o ecossistema estar pelo menos relativamente fechado é uma grande vantagem para tal discussão e troca de peças sobressalentes para as suas infra-estruturas algorítmicas. não acho que vá durar muito tempo com tal praxe, preciso de procurar grupos semelhantes que não envergonhem tanto os gansos.

Você escreveu que este grupo está olhando para uma representação unificada de modelos MoD, estes são os modelos que eu gostaria de ver.

Sim, tais pensamentos foram expressos em voz alta e não só lá eu ouvi falar sobre isso, sobre a elite de comerciantes lembrança, talvez aqui ouvi algo semelhante, eu proponho discutir em privado se você quiser estabelecer um formato para compartilhar modelos, eu também tenho pensamentos sobre este assunto, na verdade todo codificador sabecomo fazê-lo à sua própria maneira, apenas uma questão de padrões, algo como o padrão de fulltack C++ dll-grall que leva dados brutos e previsões de saída e um par de linhas de código para ligar a partir do peyton do sharp, etc. Quem se importa onde.

Para comparação como pronto para mostrar seus modestos desenvolvimentos, eu treinei modelos em série em formato binário ou texto e na forma de um código fonte.

A idéia principal é usar o mecanismo da estratégia de saída.

 

Zhenya:

Você escreveu que neste grupo está sendo considerada uma representação unificada dos modelos MoD, estes são os modelos que eu gostaria de ver.

Sim, tais pensamentos foram expressos em voz alta e não só lá ouvi falar sobre isso, no elit-trader eu me lembro, talvez aqui eu tenha ouvido algo semelhante, eu proponho discutir em particular se você quiser como podemos ajustar o formato da troca de modelos, eu também tenho pensamentos sobre este assunto, na verdade todo codificador sabecomo fazê-lo à sua própria maneira, apenas uma questão de padrões, algo como o padrão de fulltack C++ dll-grall que leva dados brutos e previsões de saída e um par de linhas de código para ligar a partir do peyton do sharp, etc. Quem se importa onde.

Existe o PMML, por exemplo.

https://ru.wikipedia.org/wiki/Язык_разметки_прогнозного_моделирования

Existe uma biblioteca para R (também chamada pmml) que pode converter os modelos mais populares para este formato.

é possível:
1) treinar o modelo em R como de costume
2) Converter o modelo em pmml
3) salve o modelo pmml em um arquivo xml e compartilhe-o

Há algum tempo atrás eu queria fazer um script para mql que pudesse ler arquivos xml com modelos pmml. Então eu poderia incorporar na minha previsão EA o gbm treinado de r com algumas linhas de código (incluindo script + pmml como recurso). Mas eu não tenho de o fazer.


Isto não é adequado se você quiser manter o próprio modelo em segredo, porque no arquivo xml serão prescritos pesos de neurônios ou ramos florestais.

Para total sigilo do arranjo do modelo, você pode usar uma idéia de um concurso de cientista de dados - eles requerem um arquivo com centenas de milhares de previsões sobre ele. A partir daí eles podem usar este arquivo para interpolar as previsões para obter uma previsão ao lado da existente.

 
Dr. Trader:

Existe a PMML, por exemplo.

https://ru.wikipedia.org/wiki/Язык_разметки_прогнозного_моделирования

Existe uma biblioteca para R (também chamada pmml) que pode converter os modelos mais populares para este formato.

podias fazê-lo desta maneira:
1) treinar o modelo em R como de costume
2) converter o modelo em pmml
3) salve o modelo pmml como um arquivo xml e compartilhe-o

Há algum tempo atrás eu queria fazer um script para mql que pudesse ler arquivos xml com modelos pmml. Então eu poderia incorporar no EA a previsão de gbm treinado de r com algumas linhas de código (incluindo o script + pmml como um recurso). Mas eu não tenho de o fazer.

Não é adequado se você quiser manter o próprio modelo em segredo, pois no arquivo xml serão prescritos pesos de neurônios ou ramos florestais.

Infelizmente o sigilo é um dos principais requisitos aqui)))) Trata-se do protocolo de intercâmbio ofuscado pelos modelos C++ que retiram os dados brutos do intercâmbio e produzem previsões, para que você possa pegar um modelo com descrição de suas entradas e saídas, usar por exemplo um mês ou por quanto tempo ele é projetado sem modificações (reciclagem, etc.) e tirar conclusões (compra, aluguel, etc.)

É desejável que seja apenas uma pasta com os arquivos, diferentes binários nos quais entender os detalhes não é rentável.

Para um total sigilo do dispositivo modelo, você pode usar uma idéia de um concurso de cientista de dados - eles requerem um arquivo com centenas de milhares de previsões. A partir daí eles podem usar este arquivo para interpolar as previsões para obter uma previsão ao lado da existente.

Se você quer dizer numerai então a abordagem deles não vai funcionar, neste caso, por "modelo" eles significam o conjunto completo de transformações de dados brutos em uma previsão, em primeiro lugar seus sinais, numerai tem um concurso de estudantes para comercializar sua moeda (NMR), não pode ser de alguma forma conectado com os mercados reais, a última coisa que o fundo de hedge vai precisar é terceirizar a classificação pura. Se estás a falar de outra competição, diz-me, por favor.

 
Alguém pode dizer algo sobre este uso do MO para séries não estacionárias: modelos combinados? É introduzido algum parâmetro adicional que corresponde ao estado do processo e do qual dependem os parâmetros do modelo. Este parâmetro também está previsto. A abordagem é utilizada no artigo para prever a temperatura. Certamente tal complicação do modelo está repleta de sobreajustes, mas pelo menos podemos lidar de alguma forma com a não-estacionariedade.
 

Sim.

O caminho deles não é sem mérito. Tentei os meus modelos para prever centenas de milhares de casos aleatórios. Depois, para as previsões da caixa preta, procurei o ponto mais próximo em coordenadas e usei o seu resultado como previsão em si. Este protótipo funcionou, mas eu poderia melhorá-lo de verdade - encontrar 3 pontos mais próximos e triangular o resultado médio. Mas isto é computacionalmente caro, mesmo com um widget opencl pode demorar alguns segundos para fazer a previsão.

 
Aleksey Nikolayev:
É introduzido algum parâmetro adicional que corresponde ao estado do processo e do qual dependem os parâmetros do modelo. Este parâmetro também está previsto.

É muito semelhante à memória no RNN ( redes neurais recorrentes)

Preditores e mais um valor (memória) são alimentados no modelo. O modelo produz dois números na previsão - o próprio alvo e um novo valor de memória que será usado juntamente com os preditores na próxima previsão. É por isso que é uma rede recorrente, sua saída será usada como entrada para a próxima vez, e assim por diante em um círculo a cada vez.

RNNs em forex são muito exagerados, é ruim, você não pode fazer tudo pelo livro didático e colocar negociações.
Mas para um modelo com apenas alguns parâmetros tem uma precisão bastante boa, comparável a um neurônio normal com uma grande camada oculta, ainda me surpreende.

 
Dr. Trader:

Isto é muito semelhante à memória no RNN (redes neurais recorrentes)

Preditores e outro valor (memória) são alimentados para a entrada do modelo. O modelo produz dois números na previsão - o alvo em si e um novo valor de memória a ser usado juntamente com os preditores na próxima previsão. É por isso que é uma rede recursiva, sua saída será usada como entrada na próxima vez, e assim por diante em um círculo a cada vez.

RNNs em forex são muito exagerados, é ruim, você não pode fazer tudo pelo livro didático e colocar negociações.
Mas para um modelo com apenas alguns parâmetros tem uma precisão bastante boa, comparável a um neurônio normal com uma grande camada oculta, ainda me surpreende.

Obrigado, parece mesmo que sim.