Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3010

 
Forester #:

Infelizmente, ninguém o encontrou, caso contrário, eu estaria em ilhas tropicais em vez de estar aqui))))

Sim. Até mesmo uma árvore ou regressão pode encontrar um padrão se ele estiver lá e não mudar.

Fácil. Posso desgerar dezenas de conjuntos de dados. Só agora estou explorando TP=50 e SL=500. Há uma média de 10% de erro na marcação do professor. Se houver 20%, será um modelo de ameixa.
Portanto, o ponto não é o erro de classificação, mas o resultado da soma de todos os lucros e perdas.

Como você pode ver, o modelo superior tem um erro de 9,1%, e você pode ganhar algo com um erro de 8,3%.
Os gráficos mostram apenas o OOS, obtido pelo Walking Forward com retreinamento uma vez por semana, um total de 264 retreinamentos em 5 anos.
É interessante que o modelo funcionou em 0 com um erro de classificação de 9,1% e 50/500 = 0,1, ou seja, deveria ser 10%. Acontece que 1% comeu o spread (mínimo por barra, o real será maior).

Esse teste foi feito com volumes reais do CME para EURUSD: volume cumulativo, delta, divergência e convergência para 100 barras. Total de 400 colunas + mais 5 de algum tipo.
Sem alterar nenhuma configuração do modelo, apenas excluí 405 colunas com dados da CME (deltas de preço e ziguezagues permaneceram) para um total de 115 colunas e obtive resultados ligeiramente melhores. Ou seja, verifica-se que os volumes às vezes são selecionados em divisões, mas acabam sendo ruído em OOS. E o treinamento fica 3,5 vezes mais lento.

Para comparação, deixei os gráficos com volumes na parte superior e sem volumes na parte inferior.

Eu esperava que os volumes com EMC trouxessem informações/regularidades adicionais que melhorariam o aprendizado. Mas, como você pode ver, os modelos sem volumes são um pouco melhores, embora os gráficos sejam muito semelhantes.
Essa foi minha segunda abordagem à EMC (tentei há 3 anos) e, mais uma vez, não tive sucesso.
Acontece que tudo é levado em conta no preço.

Alguém mais tentou adicionar volumes ao treinamento? Os resultados são os mesmos? Ou você os fez melhorar?

 
Forester #:

Esse teste foi feito com volumes reais da CME para EURUSD: volume acumulado, delta, divergência e convergência por 100 barras. Total de 400 colunas + mais 5 de algum tipo.
Sem alterar nenhuma configuração do modelo, apenas excluí 405 colunas com dados da CME (deltas de preço e ziguezagues permaneceram) para um total de 115 colunas e obtive resultados ligeiramente melhores. Ou seja, verifica-se que os volumes às vezes são selecionados em divisões, mas acabam sendo ruído em OOS. E o treinamento fica 3,5 vezes mais lento.

Para comparação, deixei os gráficos com volumes acima e sem volumes abaixo.

Eu esperava que os volumes com CME trouxessem informações/regularidades adicionais que melhorassem o aprendizado. Mas, como você pode ver, os modelos sem volumes são um pouco melhores, embora os gráficos sejam muito semelhantes.
Essa foi minha segunda abordagem à EMC (tentei há 3 anos) e, mais uma vez, não tive sucesso.
Acontece que tudo é levado em conta no preço.

Alguém mais tentou adicionar volumes ao treinamento? Os resultados são os mesmos? Ou você conseguiu que eles apresentassem melhorias?

Você tentou em nosso mercado, que parece ser menos eficiente?

Ou os futuros de grãos, que podem ter alguns ciclos sazonais.

 
Rorschach #:
Você já experimentou nosso mercado? Ele é menos eficiente, não é?
Não. Os spreads não são tão interessantes. Mas talvez um dia. Eu chegarei lá.
 
Forester #:

Esperava-se que os volumes com PMEs trouxessem informações/legalidades adicionais que melhorariam a curva de aprendizado. Mas, como você pode ver, os modelos sem volumes são um pouco melhores...

E eles têm, e muitas informações, exceto pelo fato de que um modelo burro não consegue captá-las

 
mytarmailS #:
E eles carregam muitas informações, só que o modelo burro não consegue absorvê-las
Que modelo pode aceitá-lo? Você já experimentou? Qual é o nível de melhoria em relação ao preço?
 
Forester #:
Que modelo você pode obter?
Receio que nenhum, apenas o cérebro.
Não estou brincando e estou falando por experiência própria.
 
Forester #:

Esse teste foi feito com volumes reais da CME para EURUSD: volume acumulado, delta, divergência e convergência por 100 barras. Total de 400 colunas + mais 5 de algum tipo.
Sem alterar nenhuma configuração do modelo, apenas excluí 405 colunas com dados da CME (deltas de preço e ziguezagues permaneceram) para um total de 115 colunas e obtive resultados ligeiramente melhores. Ou seja, verifica-se que os volumes às vezes são selecionados em divisões, mas acabam sendo ruído em OOS. E o treinamento fica 3,5 vezes mais lento.

Para comparação, deixei os gráficos com volumes acima e sem volumes abaixo.

Euesperava que os volumes com CME trouxessem informações/regularidades adicionais que melhorassem o aprendizado. Mas, como você pode ver, os modelos sem volumes são um pouco melhores, embora os gráficos sejam muito semelhantes.
Essa foi minha segunda abordagem à EMC (tentei há 3 anos) e, mais uma vez, não tive sucesso.
Acontece que tudo é levado em conta no preço.

Alguém mais tentou adicionar volumes ao treinamento? Os resultados são os mesmos? Ou você conseguiu que eles apresentassem melhorias?

Você entendeu completamente errado minha postagem: não existe "esperança", ou há uma estimativa numérica da aptidão da característica ou não há. E há uma estimativa numérica da aptidão da característica no futuro.

 
Maxim Dmitrievsky #:
Um professor é um conjunto de características e rótulos, não o que você escreveu :) ou melhor, é uma pessoa em geral, ou um algoritmo que gera esses dados 😀

A escolha do modelo é importante, você precisa escolher um modelo sólido. Mas como todos os modelos robustos têm as mesmas qualidades robustas, a escolha entre eles não é mais sem importância.

Às vezes, conhecer as definições corretas o ajuda a pensar corretamente.

Vejo que você tem um desejo irreprimível de cuspir em minha direção, mas você precisa guardar sua saliva ou apenas marcar?

 
mytarmailS #:

Primeiro, você precisa perceber que o modelo está cheio de lixo por dentro...

Se você decompor um modelo de madeira treinado nas regras internas e nas estatísticas sobre essas regras.

como:


e analisar a dependência do erro da regra de erro em relação à frequência de sua ocorrência na amostra


obtemos


Então, estamos interessados nessa região


onde as regras funcionam muito bem, mas elas são tão raras que faz sentido duvidar da autenticidade das estatísticas sobre elas, porque 10-30 observações não são estatísticas.

Para mim, essa é a maneira de se ajustar. Refinar as regras dentro do modelo é refinar o que o modelo "viu".

 
СанСаныч Фоменко #:

Vejo que você tem um desejo irreprimível de cuspir em minha direção, mas você deve guardar seu cuspe ou apenas marcá-lo?

É uma reação normal a bobagens, é o básico do Ministério da Defesa.

com tanta desenvoltura, como blá-blá-blá, blá-blá-blá, blá-blá-blá.