Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3084
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Там очень скромные тесты за короткий период, по ним однозначные выводы нельзя сделать. Если даже на обучающей не работает, значит сильно намудрили :) Сам подход непригоден, поскольку процесс такого обучения сложно контролировать. А если найдете правильную ф-ю контроля (ревордов), то он уже и не нужен.
Я пробовал обучать советники из этого цикла генетическим и эволюционным методом (статьи 30 и 31). У автора там стоит 1000 эпох в параметрах. Популяция 50 особей на эпоху как я понимаю. Там при тренировке в лог выводится лучший результат. Дак вот за 200 эпох этот лучший результат не изменился по отношению к начальному. Я ещё ставил популяцию в 100 особей и тренировал около 150 эпох. Эффект тот-же. Поэтому я этот метод бросил и перешёл к более новым.
Совершенно пустое дело тратить время на любые новомодные модели, особенно на сложные.
Идеал RF - простецкая и очень понятная модель. Можно взять еще пару тройку моделей из старых и хорошо апробированных моделей, если в планах есть получать окончательный результат через ансамбль моделей (дает понижение ошибки примерно на 5%).
Мой скепсис объясняется очень просто: наш главный враг - это НЕ стационарность финансовых рынков, т.е. не работает предельная теорема и вся статистика, основанная на ней - разные там корреляции, дисперсии и прочее. Кстати, и оценки вроде RMSE.
Поэтому начинать надо с препроцессинга (дэйтамайнинга). Не получив набор предикторов с достаточно устойчивой связью с целевой (учителем) бессмысленно рассуждать про что угодно. Именно качество этой связки определяет ошибку предсказания и ее стабильность на разных участках котировок. Модель тут вообще не при чем. Если на RF получить примерно одинаковую ошибку предсказания в "выборке" и "вне выборки" менее 20%, то можно попытаться на этом же наборе предикторов и целевой уменьшить ошибку предсказания за счет более продвинутых моделей, ансамбля моделей ..., но это единицы процентов, ради которых нет смысла тратить время еще на что-то кроме RF.
Есть еще одно условие: математическое доказательство стабильности связи предикторов с целевой, т.е. стационарности связи предикторов и целевой с получением дисперсии связи предикторов с целевой и доказательства хотя бы примерной ее стабильности в смысле GARCH.
А разные там "эпохи" и столетия тестирования - пустое, так суетишься, вроде в теме, а бег на месте.
Я пробовал обучать советники из этого цикла генетическим и эволюционным методом (статьи 30 и 31). У автора там стоит 1000 эпох в параметрах. Популяция 50 особей на эпоху как я понимаю. Там при тренировке в лог выводится лучший результат. Дак вот за 200 эпох этот лучший результат не изменился по отношению к начальному. Я ещё ставил популяцию в 100 особей и тренировал около 150 эпох. Эффект тот-же. Поэтому я этот метод бросил и перешёл к более новым.
А более новые не обучаются как следует? ) честно, нет желания 30+ статей перечитывать, где нет нормальных бэктестов
это что такое вообще? из последней статьи :)
А более новые не обучаются как следует? ) честно, нет желания 30+ статей перечитывать, где нет нормальных бэктестов
это что такое вообще? из последней статьи :)
В этой статье (и в предидущей) автор реализовал алгоритм как бы ансамбля моделей (10 агентов + 1 критик + 1 планировщик). Там идёт сначала сбор базы примеров (первый раз рандомными нейронками, потом используется обучаемые) и потом другим советником тренировка модели по этой базе. По утверждению автора "планировщик" должен равномерно использовать всех агентов. Но у меня по факту он использует или одного агента (и им ничего не делает) или двух (просто открывает одну сделку и ждёт пока время теста не кончится или баланс).
Как заставить его использовать всех агентов я не понимаю. Вообще автор в статье (42) пишет что у него тоже такая была проблема с вариантом из (41) но в (42) он это поправил и теперь у него используются все агенты. ... Ну я никак не могу заставить модель использовать всех агентов. Правда за все эксперименты пару раз случайно модель использовала 3 или 4 агента и при этом она действительно смогла закрывать сделки и как бы торговать.
PS: Я под статьёй в комментарии попросил автора пояснить и написать подробно в цифрах как он тренировал модель. Сколько собирал примеров в базу данных? Сколько делал проходов обучения? Хотя бы какие-то конкретные данные на что ориентироваться... Но автор почему то игнорирует вопрос. Хотя какой смысл тогда писать целую серию статей если невозможно ничего из неё использовать? Если подумать что самореклама? Но автор ничего не продаёт, зачем тогда ему реклама....
В этой статье (и в предидущей) автор реализовал алгоритм как бы ансамбля моделей (10 агентов + 1 критик + 1 планировщик). Там идёт сначала сбор базы примеров (первый раз рандомными нейронками, потом используется обучаемые) и потом другим советником тренировка модели по этой базе. По утверждению автора "планировщик" должен равномерно использовать всех агентов. Но у меня по факту он использует или одного агента (и им ничего не делает) или двух (просто открывает одну сделку и ждёт пока время теста не кончится или баланс).
Как заставить его использовать всех агентов я не понимаю. Вообще автор в статье (42) пишет что у него тоже такая была проблема с вариантом из (41) но в (42) он это поправил и теперь у него используются все агенты. ... Ну я никак не могу заставить модель использовать всех агентов. Правда за все эксперименты пару раз случайно модель использовала 3 или 4 агента и при этом она действительно смогла закрывать сделки и как бы торговать.
PS: Я под статьёй в комментарии попросил автора пояснить и написать подробно в цифрах как он тренировал модель. Сколько собирал примеров в базу данных? Сколько делал проходов обучения? Хотя бы какие-то конкретные данные на что ориентироваться... Но автор почему то игнорирует вопрос. Хотя какой смысл тогда писать целую серию статей если невозможно ничего из неё использовать? Если подумать что самореклама? Но автор ничего не продаёт, зачем тогда ему реклама....
Возможно, автор настолько преисполнился (т.к. работа проделана действительно колоссальная), что уже не отвечает на вопросы простых смертных :)
к сожалению, пока нет никакой возможности все это проверять, поскольку интересуюсь немного другими вещами
высказал только свой опыт применения RL: результаты на новых данных оказались посредственные, это из-за того, что эти алгоритмы не учитывают всяческие смещения и дрифты и не совсем понятно как подобную информацию туда инкорпорировать.
Может быть среди статей есть какие-то решения, не вникал.
Друзья, привет!
Намечается батл, добро пожаловать, дайте шуму!!!