Машинное обучение в трейдинге: теория, модели, практика и алготорговля
Deus Ex Machina.
Такими словами открывают перед читателем свои страницы многолетние тома философских трактатов.
Ну, и, никто не хочет машин лёрнинг заниматься?
Deus Ex Machina.
Такими словами открывают перед читателем свои страницы многолетние тома философских трактатов.
Ну, и, никто не хочет машин лёрнинг заниматься?
Каждая сделка имеет риск и другие условия, машинное обучение использует старые данные то есть оперирует к тому что не существует.
Точнее, к тому, что было раньше.
И в этом ищет устойчивую зависимость.
Мы их и ищем.
Точнее, к тому, что было раньше.
И в этом ищет устойчивую зависимость.
Мы их и ищем.
Каждая сделка имеет риск и другие условия, машинное обучение использует старые данные то есть оперирует к тому что не существует.
А у вас есть новые данные? Значит, надо понимать вас так, что вы даже и на график не смотрите, там же старые данные? Да?
В общем, так. Чтобы немного подстегнуть тему, я обещаю перевести 5 кредитов тому, кто правильно решит поставленную задачку.
Выдать набор информативных входов.
Сообщество мне их начислило за активность на форуме, я их обратно в систему верну, но при это получим некоторую интересную дискуссию.
Алексей
Заявленная тема "Машинное обучение" важна, сложна и огромна. Судя по первому посту Вы хотите начать с одного из подготовительных и важных этапов - "Оценка и выбор предикторов". Что Вы хотите решить или показать с приведенной задачей? Новый метод, способ или что?
Содержание и тема топика не совпадают.
Конкретизируйте цель, может и будут заинтересованные люди.
Мало кто имеет свободное время для решения задач с непонятными целями.
Удачи
Каждая сделка имеет риск и другие условия, машинное обучение использует старые данные то есть оперирует к тому что не существует.
Всегда учимся на прошлом.
Смотрим столетиями на график. Оба на и видим "три солдата", потом видим "голова и плечи". Сколько уже таких фигур увидели и верим в эти фигуры, торгуем...
А если задачу поставить так:
1. Автоматические найти такие фигуры, причем не вообще ко всем графикам, а к конкретной валютной паре, те которые встречались недавно, а не три века назад у японцев при торговле рисом.
2. А годятся ли у нас те исходные данные, на которых мы автоматически ищем такие фигуры - паттерны.
Для ответа на первый вопрос рассмотрим алгоритм, который называется "лес случайных деревьев" - random forest. Алгоритм в качестве исходных данных для своей работы берет котировку одной или нескольких валют, индикаторы, приращения цен - все, что напридумывал человек. 10-5-100-200 ... входных переменных. Затем берет весь набор значений переменных, относящихся к одному моменту времени, соответствующих одному бару и ищет такую комбинацию этих входных переменных, которая бы соответствовала на исторических данных вполне определенному результату, например, ордеру BUY. А другой набор комбинаций другому ордеру - SELL. Каждому такому набору соответствует отдельное дерево. Опыт показывает, что для входного набора часовика из 18000 баров (около 3-х лет) алгоритм находит 200-300 деревьев. Это и есть набор паттернов, почти аналоги "голов и плеч", и целых рот солдатов.
Проблема в этом алгоритме состоит в том, что такие деревья могут ухватить некоторую конкретику, которая не встретится в будущем. Это называется здесь на форуме "сверхподгонка", в машинном обучении "переобучение". Известно, что весь большой набор исходных переменных можно поделить на две части: относящиеся к выходной переменной и не имеющие отношение шум. Вот Бурнаков и пытается отсеять те, которые не имеют отношения к результату.
ПС.
При построении трендовых ТС (BUY, SELL) любые разновидности машек относятся к шуму!
Судя по первому посту Вы хотите начать с одного из подготовительных и важных этапов - "Оценка и выбор предикторов". Что Вы хотите решить или показать с приведенной задачей? Новый метод, способ или что?
Содержание и тема топика не совпадают.
Конкретизируйте цель, может и будут заинтересованные люди.
Мало кто имеет свободное время для решения задач с непонятными целями.
Ок.
Если кто-решит или хотя приблизиться к верному решению (то есть, тему будет жива), то я:
выложу правильное решение - алгоритм генерации набора данных
объясню, почему ряд других алгоритмов "Оценки и выбора предикторов" не справились
выложу свой метод, который робастно и чувствительно решает похожие задачи - выдам теорию и выложу код на R.
Это сделано для взаимного обогащения "понималки" задач машинного обучения.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Добрый день всем,
Знаю, что есть на форуме энтузиасты machine learning и статистики. Предлагаю в этой теме обсуждать (без холиваров), делиться и обогащать собственную копилку знаний в этой интересной сфере.
Для новичков и не только есть хороший теоретичекий ресурс на русском языке: https://www.machinelearning.ru/
Небольшой обзор литературы по методам на тему отбора информативных признаков: https://habrahabr.ru/post/264915/
Предлагаю задачу номер один. Позже выложу ее решение. СанСаныч ее уже видел, прошу не говорить ответ.
Введение: для построения алгоритма торговли необходимо знать, какие факторы будут положены в основу предсказания цены, или тренда, или направления открытия сделки. Отбор таких факторов непростая задача, и она бесконечносложная.
Во вложении архив с искуственным набором данных формата csv, который сделал я.
Данные содержат 20 переменных с префиксом input_, и одну крайнуюю правую переменную output.
Переменная output зависит от некоторого поднабора переменных input (поднабор может содержать от 1 до 20 inputs).
Задача: с помощью любых методов (машинного обучения) отобрать переменные input, с помощью которых можно определить состояние переменной output на существующих данных.
Решение можно выложить здесь в виде: input_2, input_19, input_5 (пример). И можно также описать найденную зависимость входов и выходной переменной.
Кто справится, тот молодец ) С меня готовое решение и объяснение.
Алексей