Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2555

 
Maxim Dmitrievsky #:

В предположении, что в будущем модель тоже должна работать ) ошибки разного рода (в т.ч и шум) будут всегда, задача ведь в нахождении баланса. Поэтому речь об одном и том же, по сути.

собственно, занимался решением этой задачи другим способом, поэтому пишу наводящие вопросы

Если смотреть с глобальной точки зрения, то соглашусь с вами. Неважно какой взят набор алгоритмов в итоге - проблемы при его использовании всегда будут одни и те же.

Кстати, чем-то похожую идею (выброс сделок со значениями индикаторов далёкими от типичных) высказал сегодня fxsaber в своём блоге.

 
Читал книгу 70-х годов, там говорится, что если нет автокорреляции, то прогноз не возможен. Есть что нибудь на эту тему более современное?
 
Aleksey Nikolayev #:

Если смотреть с глобальной точки зрения, то соглашусь с вами. Неважно какой взят набор алгоритмов в итоге - проблемы при его использовании всегда будут одни и те же.

Кстати, чем-то похожую идею (выброс сделок со значениями индикаторов далёкими от типичных) высказал сегодня fxsaber в своём блоге.

Согласен полностью. Колебания коридора с динамической шириной влекут выбор баланса в прогнозе и его вероятность.

 
Подскажите новичку, а оптимизация советника в тестере/оптимизаторе является МО?
 
Sceptorist #:
Подскажите новичку, а оптимизация советника в тестере/оптимизаторе является МО?

Оптимизация больше всего напоминает процесс обучения нейросети . 

Раньше даже были решения по автоматизации оптимизации, чтобы получать наиболее актуальные сеты.

 

Лекция на тему выбора моделей

чтобы не было недопонимания, так сказать


 
Sceptorist #:
Подскажите новичку, а оптимизация советника в тестере/оптимизаторе является МО?

МО это просто набор алгоритмов. Для некоторых из них тестерная оптимизация вполне подойдёт. Например, если нужно найти оптимальный K в KNN. Но большинство алгоритмов имеет свой специфический способ оптимизации. Например, градиентный спуск в нейросетях.

В общем, ответ зависит от возможности подстроиться конкретной модели под заданные алгоритмы оптимизации (перебор и генетическая оптимизация)

 
Maxim Dmitrievsky #:

Лекция на тему выбора моделей

чтобы не было недопонимания, так сказать


Воронцов - наверно лучший специалист по МО в России. Курс поэтому обязан быть хорошим, но поскольку он для айтишников, то там опущена базовая и важная для нас математика. Неоднократно замечал, что для применения математических методов в трейдинге мало когда подходит их базовая, упрощённая форма.

МО основано (можно посмотреть например у Тибширани) на предположении, что существует неизменное совместное распределение предикторов и ответов P(X,Y). Из него может быть вычислена условная вероятность Py(Y|X), из которой может быть вычислена регрессия Y=f(X). В итоге, эта регрессия приближается какими-либо моделями МО. В физическом мире эта теория более-менее работает. Но не в трейдинге. У нас оказывается, что P(X,Y) меняется со временем (нестационарность) непредсказуемым образом и вся теория немного рушится.

Приходится как-то придумывать свою теорию и здесь уж - кто во что горазд) Самый распространённый подход - просто не обращать внимания на нестационарность и потом удивляться результатам и жаловаться на МО)

 
Aleksey Nikolayev #:

Воронцов - наверно лучший специалист по МО в России. Курс поэтому обязан быть хорошим, но поскольку он для айтишников, то там опущена базовая и важная для нас математика. Неоднократно замечал, что для применения математических методов в трейдинге мало когда подходит их базовая, упрощённая форма.

МО основано (можно посмотреть например у Тибширани) на предположении, что существует неизменное совместное распределение предикторов и ответов P(X,Y). Из него может быть вычислена условная вероятность Py(Y|X), из которой может быть вычислена регрессия Y=f(X). В итоге, эта регрессия приближается какими-либо моделями МО. В физическом мире эта теория более-менее работает. Но не в трейдинге. У нас оказывается, что P(X,Y) меняется со временем (нестационарность) непредсказуемым образом и вся теория немного рушится.

Приходится как-то придумывать свою теорию и здесь уж - кто во что горазд) Самый распространённый подход - просто не обращать внимания на нестационарность и потом удивляться результатам и жаловаться на МО)

Ну там во второй части интересное, в конце про временной ряд и его опыт с ним. В остальном на совести каждого
Нестационарность не так критична, как отсутствие регулярности. Если же полагать, что временной ряд вообще непредсказуем, то, боюсь, здесь больше ничего не изобрести
 
Aleksey Nikolayev #:

МО основано (можно посмотреть например у Тибширани) на предположении, что существует неизменное совместное распределение предикторов и ответов P(X,Y). Из него может быть вычислена условная вероятность Py(Y|X), из которой может быть вычислена регрессия Y=f(X). В итоге, эта регрессия приближается какими-либо моделями МО. В физическом мире эта теория более-менее работает. Но не в трейдинге. У нас оказывается, что P(X,Y) меняется со временем (нестационарность) непредсказуемым образом и вся теория немного рушится.

Приходится как-то придумывать свою теорию и здесь уж - кто во что горазд) Самый распространённый подход - просто не обращать внимания на нестационарность и потом удивляться результатам и жаловаться на МО)

Лучше  и не скажеш..

Молодец, но что делать то?