Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 545

 
Maxim Dmitrievsky:

особенно если юзать многомерную кластеризацию, можно поробовать подать векторы с признаками и векторы с лагом, допустим, приращений.. что бы разбить на группы - каким свойствам признаков соответствовали какие приращения в будущем

и потом обращаться к этому набору для обучения НС, например.. т.е. типа датамайнинга

да, именно перед обучением.. ну или как отдельную фишечку для ТС

Да.

Кстати во многих пакетах на python (на R тоже должны быть) есть такая вещь помимо batch_size - как time_steps, это как раз используется при анализе временных рядов. То есть на вход сразу подается матрица длиной time_steps, что учитывается внутри тензоров внутри модели.


А что касается датамайнинга, тут стоит озвучить такую идею:
Рынки взаимосвязаны, поэтому движение капитала происходит внутри одной целой системы. Так вот при наличии хорошей глубокой модели, ну и вычислительный ресурсах конечно, эти движения денежных масс можно отловить.

 
Maxim Dmitrievsky:

особенно если юзать многомерную кластеризацию, можно поробовать подать векторы с признаками и векторы с лагом, допустим, приращений.. что бы разбить на группы - каким свойствам признаков соответствовали какие приращения в будущем

и потом обращаться к этому набору для обучения НС, например.. т.е. типа датамайнинга

да, именно перед обучением.. ну или как отдельную фишечку для ТС

Еще, что касается датамайнинга, мне понравилась идея @Mihail Marchukajtes, про опционы и улыбку волатильности. Только с парсером заминка вышла.
 
Aleksey Terentev:
Еще, что касается датамайнинга, мне понравилась идея @Mihail Marchukajtes, про опционы и улыбку волатильности. Только с парсером заминка вышла.

у меня пока что какая-то неведомая смесь авторегрессионной модели заоптимизированной + адаптивные элементы.. неведомая фигня но прикольно, пихаю туда вся что новое узнаю :)

оно как бы работает но не всегда

когда закончатся идеи попробую мб межрыночный анализ да, или внешнюю инфу типа опционов. В межрынке там по сути все те же проблемы с нестационарными процесами.. ну немного попроще

 

Нашел проблему, если есть желание учитывать спред. А спред нужен, если что-то пипсовочное делаешь.

Так вот, при обучении данные выгружаются из истории через CopySpread, а там - минимальный спред на баре. А т.к. МО ведет побарный анализ, то для правильного учета спреда, он нужен на момент по которому ведутся расчеты, т.е. цена Open, Close, High или low (смотря к чему вы этот спред хотите добавить). Я например по Open ценам работаю. Ну и естественно минимальный спред в баре почти никогда не бывает равен спреду в момент открытия бара. В итоге ТП или СЛ может на 10-20 пт отличаться от того, который будет установлен в реальности. Т.е. прибыльность системы будет совсем другой, чем предположила модель МО.
В итоге обучение с минимальными на баре спредами, нельзя воспроизвести в реальности.

Т.е. имеем проблему в 2-х местах:

1 - в истории на которой обучаем (спреды другие)

2 - в момент совершения сделки (если решение происходит на момент открытия бара). Разные спреды дадут разные ТП и СЛ.


Заметил эту особенность, сравнив результаты обученной модели на ценах открытия и на реальных тиках. Разница очень большая. Т.е. и на реальной торговле разница будет большая.

Остается либо не использовать спреды (отбросив тем самым пипсовку из возможностей обучаемой системы), либо собирать матрицы для обучения на реальных тиках и потом тестировать тоже на реальных тиках, а это в разы дольше тестирования по ценам открытия. Как вариант, для ускорения - предварительно создать кастомный символ пройдя по реальным тикам и собрав нужные спреды.

 
elibrarius:

Я смотрю на модели МО пока так: Модель дает решение входить или нет, а все остальное это дело мани-менеджмента и торговой стратегии.

Тем более на истории свеч нейросети учатся хорошо.

Если и передавать на плечи МО выбор точек входа/выхода, или еще какие тонкости, то я бы это делал второй моделью. Либо усложнять модель, что в таком случае только глубокое обучение с параллельными тензорами будет эффективно работать.

Коротко: точки входа, соотношения прибыли, подсчет пипсов - все не для простой модели.
 
Aleksey Terentev:

Я смотрю на модели МО пока так: Модель дает решение входить или нет, а все остальное это дело мани-менеджмента и торговой стратегии.

Тем более на истории свеч нейросети учатся хорошо.

Если и передавать на плечи МО выбор точек входа/выхода, или еще какие тонкости, то я бы это делал второй моделью. Либо усложнять модель, что в таком случае только глубокое обучение с параллельными тензорами будет эффективно работать.

Коротко: точки входа, соотношения прибыли, подсчет пипсов - все не для простой модели.

не пробовали еще prophet от facebook?

у меня почему-то упорно либа не хочет ставиться, поставил анаконду, питон.. виснет на этапе установки и все.. у друга работает

ну просто любопытная либа еще одна

http://pythondata.com/stock-market-forecasting-with-prophet/

Stock market forecasting with prophet
Stock market forecasting with prophet
  • 2017.09.12
  • Eric Brown
  • pythondata.com
This article highlights using prophet for forecasting the markets. You can find a jupyter notebook with the full code used in this post here. For this article, we’ll be using S&P 500 data from FRED. You can download this data into CSV format yourself or just grab a copy from the my github ‘examples’ directory here. let’s load our data and plot...
 
Maxim Dmitrievsky:

не пробовали еще prophet от facebook?

у меня почему-то упорно либа не хочет ставиться, поставил анаконду, питон.. виснет на этапе установки и все.. у друга работает

ну просто любопытная либа еще одна

http://pythondata.com/stock-market-forecasting-with-prophet/

Прочел эти статьи, и, честно говоря, подход доктора Брауна меня не впечатлил.

А вот библиотека интересная. Наверняка трендовые модели с ней будет интересно покрутить.

Я же пока остаюсь на Керас. Тем более обучение с подкреплением там легко реализуется вместе с Керас-РЛ.


Примечание по поводу установки, при использовании Анаконды, пакеты следует ставить через "conda" вместо "pip".

Keras Documentation
Keras Documentation
  • keras.io
Keras is a high-level neural networks API, written in Python and capable of running on top of TensorFlow, CNTK, or Theano. It was developed with a focus on enabling fast experimentation. Being able to go from idea to result with the least possible delay is key to doing good research. Use Keras if you need a deep learning library that: Allows...
 
Maxim Dmitrievsky:

у меня почему-то упорно либа не хочет ставиться...

Не реви))) на "продвинутую" игруху для вр.

https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html

Introduction to Pattern Sequence based Forecasting (PSF) algorithm
  • Neeraj Bokde, Gualberto Asencio-Cortes and Francisco Martinez-Alvarez
  • cran.r-project.org
This section discusses about the examples to introduce the use of the PSF package and to compare it with auto.arima() and ets() functions, which are well accepted functions in the R community working over time series forecasting techniques. The data used in this example are ’nottem’ and ’sunspots’ which are the standard time series dataset...
 
Vizard_:
Не реви))) на "продвинутую" игруху для вр.

https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html


что-то интересненькое.. для питона не могу найти

уже много ништяков накопилось, пора нового бота собирать :)

 
Aleksey Terentev:

Примечание по поводу установки, при использовании Анаконды, пакеты следует ставить через "conda" вместо "pip".


да, через конду делал и делал через пип на голом питоне.. у меня в самой системе какая-то бага, не может собрать и закомпилить то что скачал.. мб руками надо будет перекачать

ну это фигня разберемс