Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1205

 
Aleksey Nikolayev:

Porquê preços e não incrementos?

Não sei como fazê-lo melhor... e o comprimento da amostra pode ser variado... muito alarido com tudo isto

há mais sobre interpretabilidade... como o que há para interpretar? só há uma métrica
 
FxTrader562:

Olá máxima

Há algum artigo novo que você está discutindo aqui?

Se me puder fornecer o link?

Olá, ainda não publicado, à espera de moderação.

 
FxTrader562:

Ok, se você quiser, então você pode me fornecer o código para que eu possa dar uma olhada nele.

Melhor se você esperar pelo artigo, porque eu tenho muitas versões.

 
mytarmailS:

E há uma dependência...

Treinei "SMM" (modelo Markov oculto) em retornados, dividi-o em 10 estados e ensinei-o sem um professor, por isso dividiu distribuições diferentes por si só


distribuições estatais.


E aqui agrupei os retornos por estados, ou seja, cada fila é um estado de mercado separado.

Alguns estados (1,4,6,8,9) têm muito poucas observações, por isso não podem ser percebidas de todo

E agora vou tentar regenerar a série, ou seja, fazer uma soma cumulativa, se alguma tendência for encontrada em alguns dos estados - a regularidade na direção

Eu fiz uma soma cumulativa.

Os Estados 5 e 7 têm um padrão consistente, 5 para a baía e 7 para a aldeia.

você está finalmente a começar a ir na direcção certa :)

apenas força bruta com uma simples força bruta e escolha o melhor padrão

Com a dedução lógica e o grande método de dedução nunca se pode encontrar um esquema lucrativo, há demasiadas variações
 
Maxim Dmitrievsky:

Você está finalmente começando a ir na direção certa :)

tudo o que você tem que fazer é forçar a força bruta com uma simples busca por força bruta e escolher o melhor modelo

Você nunca encontrará um esquema lucrativo por dedução lógica e o grande método de dedução, existem muitas variantes

mas o engraçado é que estes estados 5 e 7 mudam com mais frequência, não são contínuos no tempo e outra coisa é que eles trocam entre si))


o gráfico de transições de estado


Isto é o que parece quando se trocam. Vermelho é vender e azul é comprar.


 
Maxim Dmitrievsky:

Agora eu quero adicionar aos parâmetros otimizados a dependência de sinais nas distribuições, eu fiz isso para o início, para ver

se a curtose for superior a algum valor (podemos optar por ela), então temos uma situação plana e é possível comprar/vender com a mesma probabilidade (e depois corrigir todas as erradas)

mais adiante na assimetria, se houver um certo lado, então a probabilidade do sinal para comprar ou vender é deslocada

Esta é uma primitiva, mas é aproximadamente a forma como o optimizador pode seleccionar os alvos

Tudo o que você precisa obter da métrica é um erro de classificação em uma amostra de teste (para ser treinado em uma amostra de treinamento). Os hiperparâmetros são numerados no otimizador e o modelo com o menor erro é selecionado. O que é não-interpretável aqui? Você só precisa saber se tal modelo pode generalizar ou não, olhando para os erros nos dados de teste.

Acabei de fazer um exemplo de como trabalhar com este tipo de porcaria.


A questão está na interpretabilidade do modelo eventualmente escolhido (que na verdade será comercializado).

 
mytarmailS:

mas o engraçado é que estes estados 5 e 7 mudam com mais frequência, não são contínuos no tempo e também o engraçado é que eles trocam uns com os outros)


tabela de transições de estados


Isto é o que parece quando se trocam. venda vermelha e compra azul


Faça-o com RL, o modelo de Markov precisa de aproximação

 
Aleksey Nikolayev:

A questão é a interpretabilidade do modelo resultante (que irá realmente negociar).

Os modelos indutivos não são, em regra, interpretáveis, quer se trate de programação genética ou de redes neurais... leva muito tempo a desmontar

python e r provavelmente têm pacotes correspondentes

exemplo para árvores
How to visualize decision tree
How to visualize decision tree
  • explained.ai
Decision trees are the fundamental building block of gradient boosting machines and Random Forests(tm), probably the two most popular machine learning models for structured data. Visualizing decision trees is a tremendous aid when learning how these models work and when interpreting models. Unfortunately, current visualization packages are rudimentary and not immediately helpful to the novice. For example, we couldn't find a library that visualizes how decision nodes split up the feature space. So, we've created a general package (part of the animl library) for scikit-learn decision tree visualization and model interpretation.
 
Maxim Dmitrievsky:

Bem, faça tudo através do RL, o modelo Markov tem que ser aproximado por algo

Porquê aproximá-lo? Já está dividido em 10 estados pelo algoritmo de Viterbi, como um cluster em essência.

Eu acho que o preço deve ser aproximado antes de fazer devoluções ou não fazer devoluções?

 

A propósito, se alguém quiser fazer um "cmm" aqui está um artigo com código e exemplos em R

http://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/

Hidden Markov Models – Examples In R – Part 3 of 4
Hidden Markov Models – Examples In R – Part 3 of 4
  • 2014.09.07
  • GekkoQuant
  • gekkoquant.com
This post will explore how to train hidden markov models in R. The previous posts in this series detailed the maths that power the HMM, fortunately all of this has been implemented for us in the RHmm package. HMMs can be used in two ways for regime detection, the first is to use a single HMM where each state in the HMM is considered a “regime”...