Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 99

 
DAFomenko:

A classificação não é uma panaceia ou uma ferramenta para fazer graal.

A primeira coisa que a aplicação da classificação faz é aplicar as ferramentas aos problemas aos quais as ferramentas são aplicáveis. Por exemplo, a ideia de aplicar a análise espectral aos mercados financeiros tem sido discutida muitas vezes, todas aparentemente uma grande ferramenta, mas para outros objectos, ah, não, oferecida novamente.

Segundo. A classificação é bastante aplicável aos mercados financeiros, mas há muitos problemas, como foi escrito acima. Mas na classificação podemos colocar o problema principal - o problema da reconversão (overfitting) do TS. O que poderia ser mais importante? Não é bom, claro, ser privado da ilusão de ter um graal favorito, mas aqui está a escolha: a felicidade é boa, mas a verdade é melhor?

Terceiro. A classificação coloca a questão muito especificamente: o que estamos a prever. Vamos compará-lo com o TA. Nós tomamos indicadores. É sempre um bar [1]. A barra actual não é utilizada. O que isso significa para o H1? Nós usamos informações de frescor de hora em hora para prever a entrada no mercado! Isto é no melhor dos casos.

Isto é completamente diferente na classificação. Você pega o valor atual da variável de destino e o combina com os dados brutos de ontem - altere o destino por uma ou mais barras. Usando um modelo ajustado a tais dados, você sempre prevê realisticamente o futuro quando a próxima barra chegar.

PS.

Se você vai usá-la para prever movimentos bruscos do mercado (notícias), você terá sucesso se conseguir gerar uma variável alvo, e isso é um grande problema em casos muito mais simples.

Eu subscrevo tudo isto.

Não sei quanto ao espectro, nunca o usei.

Segundo. A classificação é bastante aplicável aos mercados financeiros, mas existem muitos meandros, como escrito acima. Mas ao classificar você pode colocar o problema principal - o problema de requalificação (overfitting) do TS. O que poderia ser mais importante? Não é bom, claro, ser privado da ilusão de ter o seu graal favorito, mas aqui está a escolha: a felicidade é boa, mas a verdade é melhor?

Pronto, pronto! Nós só temos um problema - o excesso de educação. E pesa sobre todos. O lado negativo é a subeducação (e maus resultados em todo o lado).

Tenho-te colocado alguns gráficos bonitos aqui, incluindo Monte Carlo. Basicamente, cheguei à conclusão de que os dados foram ajustados a um segmento fora da amostra sem treinar o(s) modelo(s) nele(s). Parece que tenho modelos a passar bem fora da amostra. Mas o problema é que enquanto eu não conseguir ver o out-of-sample, NÃO posso escolher um modelo que funcione. É uma pena.

 
Alexey Burnakov:


Pronto, pronto! Nós só temos um problema - a reciclagem.

Quanto a mim, o problema é apenas a outra coisa, sabes.......
 
mytarmailS:
Acho que o problema é outra coisa, sabes.......
É que há muita coisa envolvida. E quando os dados, preditores, modelos estão prontos, o desenho da experiência está alinhado. Resta verificar se o modelo é ou não reeducado, e tende a reeducar-se. (Pura experiência minha.)
 
Yuri Evseenkov:

L O que sou eu, um médico? Aqui está a escrita de Sanych:

"Aqui estamos discutindo as previsões baseadas em classificação, que não levam em conta o estado anterior ao prever a próxima barra. As previsões (previsões) baseadas em classificação são previsões baseadas em padrões. E se houve notícias no passado que levaram a uma mudança que NÃO segue os valores anteriores (não extrapolados), então a classificação apanhará essa mudança como tal e se houver uma mudança semelhante no futuro (não exactamente a mesma, mas semelhante) ela será reconhecida e será feita uma previsão correcta. "

Por isso acho que vale a pena cavar nessa direcção:"a classificação vai apanhar uma tal mudança como tal" .

Você está absolutamente certo no início. Finalmente apareceram algumas pessoas sensatas no ramo. Sim, a classificação estima um padrão relativo à veracidade ou falso, ou diz que não sei, como sugeriu Reshetov. E o padrão em si tem um componente preditivo; não é o padrão em si que é importante, mas a reação do mercado a ele. E se esta reacção for idêntica à do treino, a rede tirará a conclusão certa. Então é assim....
 
Mihail Marchukajtes:
Finalmente há algumas pessoas sensatas na linha.
Já pensaste bem nisso?
 
mytarmailS:
já pensaste bem nisto?
Eu faço sempre. Pensar mal não funciona :-)
 
Mihail Marchukajtes:
Eu faço sempre isso. Pensar mal não funciona :-)

nenhuma maneira

 
Alexey Burnakov:

Tenho-te colocado alguns gráficos bonitos aqui, incluindo Monte Carlo. Basicamente, cheguei à conclusão de que os dados foram ajustados a um segmento fora da amostra sem treinar o(s) modelo(s) nele(s). Parece que tenho modelos a passar bem fora da amostra. Mas o problema é que até que eu consiga ver o out-of-sample, eu NÃO posso selecionar um modelo de trabalho. É uma pena.

Já tentou o comité? Se o gbm for treinado várias vezes com os mesmos parâmetros sobre os mesmos dados, o resultado sobre os novos dados será ligeiramente diferente a cada vez. Se você escolher um modelo ao acaso, então talvez você tenha sorte e o negócio vá bem, talvez não, você não pode adivinhar dessa maneira. Neste caso você deve treinar dezenas (centenas?) de modelos e o resultado final será o previsto pela maioria dos modelos.

Por exemplo: do lado esquerdo está a simulação de resultados de comércio de 100 modelos. Você pode ver que pegando apenas um modelo você tem quase 50% de chance de perder.
Do lado direito está a negociação pelo comité destes modelos, sem qualquer aleatoriedade, tudo é claro e quase estável para cima.

 
mytarmailS:

a experiência é o critério da verdade - não pense, faça

Pessoalmente acho que a análise espectral é mais promissora, mas isso sou eu...

Porque não pensas nisso primeiro? Até um lobo pensa se deve ou não perseguir uma lebre magricela. Às vezes desperdiçamos mais energia do que ganhamos com as presas.
 
DAFomenko:

A primeira coisa que a aplicação da classificação faz é aplicar as ferramentas aos problemas aos quais as ferramentas são aplicáveis. Por exemplo, a idéia de aplicar a análise espectral aos mercados financeiros tem sido discutida muitas vezes, todas aparentemente grandes ferramentas, mas para outros objetos, ah, não, mais uma vez é proposta.

Segundo. A classificação é bastante aplicável aos mercados financeiros, mas há muitos problemas, como foi escrito acima. Mas na classificação podemos colocar o problema principal - o problema da reconversão (overfitting) do TS. O que poderia ser mais importante? Não é agradável, claro, ser privado da ilusão de ter um graal amado, mas aqui está a escolha: a felicidade é boa, mas a verdade é melhor?

Terceiro. A classificação coloca a questão muito especificamente: o que estamos a prever. Vamos compará-lo com o TA. Nós tomamos indicadores. É sempre um bar [1]. A barra actual não é utilizada. O que isso significa para o H1? Nós usamos informações de frescor de hora em hora para prever a entrada no mercado! Isto é no melhor dos casos.

Isto é completamente diferente na classificação. Você pega o valor atual da variável de destino e o combina com os dados brutos de ontem - altere o destino por uma ou mais barras. Quando você usa um modelo ajustado em tais dados, você está sempre prevendo realisticamente o futuro quando a próxima barra chegar.

Se você vai usá-la para prever movimentos bruscos de mercado (notícias), então você terá sucesso se puder gerar uma variável alvo, o que é um grande problema em casos muito mais simples.

Você é parente do Sanych?

Sim, eu sou . O classificador Bayesiano ingênuo, como filtra spam, vai funcionar aqui ou não?

Quanto às notícias, nem pensar! Algumas notícias serão tão retrabalhadas em todas as fendas que será um verdadeiro desastre. Eu dei exemplos.