Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2837
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
Além disso, por que eles introduzem derivadas de uma função para resolver problemas como o exemplo acima? Para tornar a superfície da função mais suave.
Outro exemplo, bem próximo da prática. há um problema com 10 perguntas, a rede deve responder a 10 perguntas. vamos contar o número de respostas. o máximo nesse caso será 10. ou seja, a função desse problema é discreta. com muitos extremos locais. por quê? vamos dar uma olhada aqui:
Vamos contar as respostas certas e erradas. 0 é errado, 1 é certo.
0 1 1 0 0 0 0 0 0 1 0 0 0 1 1 1 : 4 corretas.
1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 : 4 corretas.
0 1 0 1 0 1 0 0 0 0 1 1 0 0 0 0 : 4 correto.
0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 : 4 correto.
0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 : 4 correto
.......................................
Podemos ver que a rede fornece opções de resposta com uma pontuação de 4. Esse é um exemplo de como a rede está travada. ela não vê mais crescimento. embaralhar as respostas não pode marcar mais pontos.
Como tornar a rede mais eficiente? certo, para fazer isso, a função de resposta original é convertida em uma função de erro. assim, minimizando o erro total em todas as respostas, a rede encontrará todas as respostas corretas. nesse caso, o problema é reduzido à minimização do erro, o mínimo é 0 global, a função tem muitos extremos, mas agora é suave, o jogo é reduzido a frio, quente, quente, o que é muito mais "suave" do que apenas sim ou não.
Mas, infelizmente, a função do problema nem sempre pode ser transformada em uma função suave. As funções apresentadas nos artigos e devem ser consideradas como já transformadas, enquanto as originais têm uma topografia muito mais complexa.
Se eu estivesse em outro site, nada de surpreendente, mas discutir extremos com pessoas que viram milhões de resultados de testadores - é impossível encontrar palavras. Um pensamento é que eles são divorciados.
Mais uma vez: não há extremos! Não, nós os vemos, mesmo ordenados por lucro ou não, mas não há extremos. Assim como não há águia em uma moeda que caiu com a águia para cima, porque não é uma águia, mas a probabilidade de uma águia. Todos os seus extremos são probabilidades de extremos. Você poderia falar sobre o valor de um extremo no sentido de expectativa matemática e intervalo de confiança, mas é impossível falar sobre isso, pois não há expectativa matemática porque o valor do extremo não é estacionário!
Você já viu isso um milhão de vezes, quando otimiza um Expert Advisor em um intervalo - você obtém um conjunto de parâmetros com um conjunto de resultados ideais. Se você usar outro intervalo, geralmente apenas aumentando-o, obterá outro conjunto de parâmetros com resultados diferentes e poderá ter prejuízo. Nenhum de vocês viu isso? E isso não tem nada a ver com o algoritmo de otimização. Você pode fazer a genética, pode completar a superamostragem, o que pode melhorar a genética, mas fora da amostra de otimização o resultado será um, provavelmente triste.
Você já viu isso um milhão de vezes, quando otimiza um Expert Advisor em um intervalo - você obtém um conjunto de parâmetros com um conjunto de resultados ideais. Se você usar outro intervalo, geralmente apenas aumentando-o, obterá outro conjunto de parâmetros com resultados diferentes e poderá ter prejuízo. Nenhum de vocês viu isso? E isso não tem nada a ver com o algoritmo de otimização. Você pode fazer a genética, pode completar a superamostragem, o que pode melhorar a genética, mas fora da amostra de otimização o resultado será um, provavelmente triste.
esse é um exemplo de como fazer desnecessário))), portanto, uma ideia errada do que estamos falando sobre extremos.
Reduza o problema de otimização não para a resposta resumida "saldo máximo", mas, por exemplo, para o desvio quadrático da diferença direta dos saldos em cada negociação. esse é um exemplo de como converter o problema original em uma derivada. o resultado será uma função suave, não discreta em termos de saldo. o saldo final que você tem é como 10 no meu exemplo.
É assim que acontece, 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.
No caso mais simples, será uma curva em espiral ao redor da montanha até o topo. é óbvio que, como a montanha não é lisa, há pelo menos diversas variantes de construção de estradas - esse é um platô de soluções que satisfazem determinados critérios, e não um platô na forma de uma área em algum lugar na superfície da montanha. um platô na montanha não é uma solução ideal. um platô de soluções é uma solução ideal.
a propósito, o testador tem um critério de otimização complexo, é uma função mais suave do que apenas o equilíbrio, o fator de lucro e outros critérios separadamente. um critério personalizado ainda pode ser criado, tentando tornar a função de otimização mais suave.
https://habr.com/ru/post/318970/
quanto mais os algoritmos específicos para redes de aprendizado forem diferentes dos algoritmos de uso geral, mais interessante será fazer testes comparativos de ambosMais 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
Isso éexatamente o que estou tentando entender, só que em um nível mais técnico....
Em vez de um platô, tenho um sinal real, em vez de um extremo, tenho ruído...
Se considerarmos que a superfície de otimização é ruidosa, então precisamos evitar o ruído e procurar os extremos reais, que devem ser muito mais robustos para novos dados.... Porque, logicamente, um sinal lento muda mais lentamente no tempo do que um ruído rápido.
O critério complexo foi removido por algum motivo nas versões mais recentes :)
parece estar lá)))
Por fim, obteve sua própria função de perda, a derivada é representada como um produto de Sharpe, erro e pesos.
is_max_optimal=False indica que o valor está diminuindo, mas como eu também multipliquei por -1, o oposto é verdadeiro.
Existe alguma maneira de alimentar o equilíbrio ou qualquer outra coisa por meio do gradiente no boost.....
Aqui está o esquema:
Marcamos o gráfico com negociações perfeitas (no extremo de baixa compramos, no extremo de alta vendemos) e criamos uma falsa negociação perfeita.
Vou chamá-la de equilíbrio perfeito
Em seguida, calculamos a balança comercial a partir do impulso
então, na função objetivo, simplesmente calculamos o erro da balança comercial do impulso com a balança ideal.
Obtemos um ajuste ao saldo ideal, ou seja, não se trata de uma busca por um lucro máximo abstrato, mas de um ajuste ao comércio ideal expresso no saldo de lucro.
Azul é o equilíbrio ideal, preto é um teste de rastreamento e modelo.
Acho que sim).