Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2836
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Seus resultados de aprendizagem melhoraram?)
Não, infelizmente.
Estou dando uma olhada no site de Lopez de Prado neste momento . https://quantresearch.org/Patents.htm.
Ele tem uma nova patente, emitida em setembro (Tactical Investment Algorithms through Monte Carlo Backtesting).
Muitas ideias valiosas, por exemplo, ele enfatiza o nowcasting (previsão de curto prazo).
Citação: "As previsões de curto prazo são estatisticamente mais confiáveis do que as de longo prazo."
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Principais descobertas da pandemia do coronavírus.
Que lições podemos aprender em meio a essa crise?
1. mais nowcasting , menos forecasting
2. desenvolver teorias, não regras de negociação
3. evitar estratégias de todos os regimes
Não, infelizmente.
Estou dando uma olhada no site de Lopez de Prado agora . https://quantresearch.org/Patents.htm.
Ele tem uma nova patente, emitida em setembro (Tactical Investment Algorithms through Monte Carlo Backtesting).
Muitas ideias valiosas, por exemplo, ele enfatiza o nowcasting (previsão de curto prazo).
Citação: "As previsões de curto prazo são estatisticamente mais confiáveis do que as de longo prazo".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Principais descobertas da pandemia do coronavírus.
Que lições podemos aprender em meio a essa crise?
1. mais nowcasting , menos forecasting
2. desenvolver teorias, não regras de negociação
3. evitar estratégias de todos os regimes
Não, infelizmente.
Você teve um bom treinamento ou não teve nenhum treinamento?
O treinamento foi bem-sucedido ou não houve treinamento algum?
Normal, no sentido de que o cálculo está correto (eu tinha o Sharpe máximo no nível 3 - 4), mas como a classe está sem o decorador njit, o treinamento é muito lento.
Está tudo bem, no sentido de que o cálculo está correto (o Sharpe máximo que eu tinha estava no nível 3 - 4), mas como a classe não tem o decorador njit, o aprendizado é muito lento
O que é um decorador njit ?
O que é um decorador de njit?
Um anexo dos desenvolvedores do pandas para acelerar a execução do código em funções
Não importa se é na história ou no futuro. E o testador em si não tem nada a ver com isso.
O que é importante é a propriedade do algoritmo (algoritmo de otimização individual ou como parte de uma grade) de encontrar o ótimo global do critério de avaliação. Enfatizo - o critério de avaliação. O critério de avaliação não é necessariamente e/ou somente o lucro. Pode ser qualquer coisa, por exemplo, o critério de avaliação do trabalho em OOS não é um critério (minimizar a diferença entre amostra e OOS)? - é apenas uma ideia. Os critérios podem ser qualquer coisa e de qualquer complexidade. É importante entender que o critério "Lucro" é uma coisa muito monótona e discreta, por isso as pessoas tentam criar critérios de avaliação mais suaves e monótonos, o que, em geral, melhora a qualidade da otimização em si e do treinamento em neurônica em particular.
Portanto, voltando ao que eu desenhei na imagem altamente artística - uma ilustração visual do fato de que, em condições em que nem o número nem as características dos extremos locais são conhecidos, a única saída é procurar o máximo possível por aquele que é possível em condições de recursos computacionais limitados.
Platô - sim, existe essa noção, mas ela não está relacionada à otimização, é uma questão de classificar conjuntos semelhantes de parâmetros por algum atributo. Procurar um platô estável é uma tarefa complexa separada.
Mais uma vez: extremos não têm valor: um ponto instável, que também não existe, já que estamos lidando com processos aleatórios, e não estacionários.
Precisamos procurar um platô, mesmo o mostrado na figura, desde que seja lucrativo, mesmo que esteja acima do mínimo local e global. Teoricamente, esse platô mostrará o limite superior da lucratividade da TS. E os extremos encontrados não são nada - eles definitivamente não estão no futuro, mas há esperança de um platô
Você tem uma ideia estranha de "platô". Um platô não é um tipo de área na função em estudo. Um platô é um conjunto de conjuntos de parâmetros em algum atributo.
O lucro não tem nada a ver com a não estacionariedade da série e muito menos com a capacidade da rede de aprender e trabalhar com resultados semelhantes em dados desconhecidos.
Você interpreta uma função como o lucro literalmente, ou seja, como se essa função se parecesse com um gráfico de equilíbrio em um testador. isso é fundamentalmente errado.
Mais uma vez: os extremos não têm valor: um ponto instável, que, além disso, não existe, já que estamos lidando com processos aleatórios e não estacionários.
Precisamos procurar um platô, mesmo o mostrado na figura, desde que seja lucrativo, mesmo que esteja acima do mínimo local e global. Teoricamente, esse platô mostrará o limite superior da lucratividade da TS. E os extremos encontrados não são nada - eles definitivamente não estão no futuro, mas há esperança de um platô
A otimização não se trata de encontrar algo que você não sabe o que é, mas de melhorar a lucratividade da TS, por exemplo.
Você tem toda a superfície de interesse em uma situação normal e, especialmente, os extremos como um aumento no lucro potencial, digamos. E você terá tempo para rolar até o platô.
Ou toda a superfície afundou e há apenas extremos e platôs saindo da água que precisam ser encontrados? Então já é um ajuste inicial.
É como se nos reuníssemos e disséssemos: "Vamos otimizar algo e procurar um platô" e, se encontrarmos um platô, haverá um tesouro lá. É assim que você vê as coisas?
É claro que há esperança de salvação, mas ela é insignificante.
Imagino que o processo de encontrar conjuntos funcionais de redes neurais seja ilustrado por um exemplo: há uma montanha imaginária, o Everest, que tem um único ponto máximo. A tarefa é traçar uma estrada até o ponto máximo de modo que o ângulo da estrada não exceda 3 graus e o caminho seja o mais curto possível. Se você procurar um caminho reto até o topo, muitas pessoas certamente se acidentarão e morrerão (elas chorarão quando aterrissarem na base, achatadas, reclamando da não estacionariedade da rosa dos ventos). por que você precisa desse máximo? há outra função, a derivada da função da montanha, que inclui dois critérios: o ângulo de inclinação da montanha e o comprimento da estrada. Esse problema se reduz à otimização e à descoberta do mínimo dessa função derivada da montanha (minimização do ângulo de inclinação e do comprimento da estrada). portanto, essa função terá muitos extremos locais e apenas um global. assim, resolvendo esse problema, encontraremos um caminho seguro para o topo do Everest, ninguém morrerá e a não estacionariedade dos ventos não será importante para nós. mas o "platô" deve ser entendido não como uma determinada plataforma na montanha onde você pode fazer uma pausa, mas como um grupo de opções de caminho com características semelhantes de ângulo*comprimento que satisfazem os requisitos de segurança.
É assim que funciona, de modo geral. Nem todo algoritmo é capaz de encontrar um caminho "seguro". As propriedades de pesquisa, a convergência e a velocidade de convergência são importantes.