Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1189

[Maxim Dmitrievsky]

Aleksey Nikolayev:

Não viu nada no ramo sobre critérios de informação(Bayesian ou Akaike). Talvez eles sejam usados por padrão (nos pacotes de MO aplicados)?

é utilizada a entropia cruzada ou a perda de registo

para classificação multiclasse e binária, respectivamente

para tarefas de regressão ao quadrado médio. (rms) e similares

acredito que isto é akaike

[Maxim Dmitrievsky]

Eu verifiquei PCA e LDA para o pré-processamento de preditores (livrando-se da colinearidade). Como esperado, não funciona com novos dados porque os próprios componentes começam a saltar, embora o modelo possa ser ligeiramente melhor treinado sobre eles no trem. Mas como os próprios componentes se comportam de forma imprevisível sobre novos dados, é o mesmo e ainda pior. Em geral, muitas das técnicas clássicas de MO simplesmente não se aplicam ao mercado, ou melhor, não funcionam de cabeça para baixo.

[Aleksey Nikolayev]

Maxim Dmitrievsky:

é utilizada entropia cruzada ou Perda de registo

para classificação multiclasse e binária, respectivamente

para tarefas de regressão de média-quadrada. (rms) e similares

Presumo que isso é o que Akaike é.

Parece que sim.

[Aleksey Nikolayev]

Maxim Dmitrievsky:
Verifiquei PCA e LDA para o pré-processamento de preditores (livrando-se da colinearidade). Como esperado não funciona com os novos dados porque os componentes em si começam a saltar, embora o modelo possa aprender um pouco melhor sobre eles na bandeja. Mas como os próprios componentes se comportam de forma imprevisível sobre novos dados, é o mesmo e ainda pior. Em geral, muitas das técnicas clássicas de MO simplesmente não são aplicáveis ao mercado.

Por causa da não-estacionariedade, às vezes é necessário descartar a história ultrapassada:

1) Precisamos de um algoritmo adequado para descartar a parte obsoleta da amostra (busca de descontinuidade).

2) A parte restante da amostra será sempre de comprimento variável e muitas vezes curta. Também precisamos de modelos certos aqui.

[Igor Makanu]

Maxim Dmitrievsky:

Isso já foi implementado no novo artigo, mas não exatamente como gostaríamos.

De que artigo estamos a falar?

[Maxim Dmitrievsky]

Igor Makanu:

De que artigo estamos a falar?

que foi submetido para moderação, ainda não publicado

[Aleksey Nikolayev]

Maxim Dmitrievsky:

há outra abordagem, eu a vejo como a mais promissora no momento - modelos bruteforcing através da enumeração das variáveis de saída

Grosso modo, o comerciante virtual negocia um número pseudo-aleatória de vezes (como Monte Carlo ou genética), cada vez que observa o seu negócio e corrige posições erradas, torna as não rentáveis grosso modo, de modo a torná-las rentáveis.

depois de cada passagem, ele se retrai nas negociações corrigidas. Isto já está implementado no novo artigo, mas não exactamente como gostaríamos que estivesse. Precisamos de combinações interessantes de saídas que dependem das condições atuais do mercado, por exemplo, de dispersão e inclinação sobre n-bars. Para cada uma dessas características é selecionada uma distribuição a partir da qual são amostradas as negociações aleatórias e, em seguida, da mesma forma que as não lucrativas são corrigidas e treinadas sobre elas. Após muitas passagens, a estratégia ideal é procurada (com base no mínimo de erro na amostra de teste).

Caros conhecedores, prestem atenção, Pergunta: Como organizar de forma interessante as dependências das características probabilísticas atuais do mercado e as distribuições a partir das quais são amostradas as saídas aleatórias. Neste caso, tanto o número de negócios como algumas dependências dentro do modelo mudarão, ou seja, obtemos vários modelos (soluções) rentáveis, entre os quais o modelo ótimo é selecionado de acordo com um critério de otimização personalizado (erro de modelo, estabilidade em novos dados).

As saídas parecem fazer sentido quando a retirada de capital é maior que a especificada e seu crescimento é muito lento em comparação com a volatilidade (pequena razão entre o enviesamento e a variação)

Não está muito claro como esta abordagem ajudará a combater a não-estacionariedade).

[Igor Makanu]

Maxim Dmitrievsky:

que foi submetido para moderação, ainda não publicado

Obrigado, eu vou esperar, agora não vou perder!

[mytarmailS]

artigo interessantehttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

e o blog em geral

[Aleksey Vyazmikin]

mytarmailS:

artigo interessantehttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

e o blog em geral.

Já tentou expressar o seu indicador em código?

1) находим максимум минус минимум для каждого из 10 дней, предшествующих настоящему моменту; 
2) берем сумму этих значений (сумма частей); 
3) находим 10-дневный диапазон: 10-дневный максимум минус 10-дневный минимум; 
4) делим сумму частей на целый диапазон – это основная мера фрактальной размерности/сложности; 
5) берем 60-дневную среднюю 10-дневной серии значений сложности – это метрика квартального хаоса/стабильности; 
6) используем 252-дневное нормальное распределение z-оценки или ранг процентиля метрики хаоса/стабильности; 
7) значения, которые выше 0,5, показывают, что рынок находится в режиме «хаоса» и гораздо менее предсказуем и нестационарен, значения ниже 0,5 показывают, что рынок стабилен и намного более предсказуем.