Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2463

 
Dmytryi Nazarchuk #:
У него за месяц увеличение депозита на 20%, а он бегает и истерит.
Или нету увеличение - тогда понятно, чего истерит....
В смысле истерит? Вы сказали что ОИ, дельта и РВ не работают, а оказывается не работают только у Вас. Вот мы и подошли к сути каким образом нужно использовать эти данные что бы выудить из них полезную информацию? Естественно я не использую инфу в лоб, а напирмер на этих данных строю индикаторы. Ну например мне интересна стахостическая составляющая в кумулятивной дельте или накопление и распределении открытого интереса, ну или на худой конец стандартное отклонение дельты от цены, как пример. И закономерности подаваемые на вход сети вычисляются именно в результатах построения индикаторов которые в свою очередь строятся на основе вышеперечисленных данных.
 
И это глупо утверждать что информация пораждаемая рынком в ходе торгов не имеет никакого отношения к инструменту. Ну типа мы проторговали гиганский объём ну фиг с ним показатели этого объёма всё равно ведь ничего не решает, а что тогда решает? Фазы луны? Индикатор Юсуфа?
 
Mihail Marchukajtes #:
В смысле истерит? Вы сказали что ОИ, дельта и РВ не работают, а оказывается не работают только у Вас. Вот мы и подошли к сути каким образом нужно использовать эти данные что бы выудить из них полезную информацию? Естественно я не использую инфу в лоб, а напирмер на этих данных строю индикаторы. Ну например мне интересна стахостическая составляющая в кумулятивной дельте или накопление и распределении открытого интереса, ну или на худой конец стандартное отклонение дельты от цены, как пример. И закономерности подаваемые на вход сети вычисляются именно в результатах построения индикаторов которые в свою очередь строятся на основе вышеперечисленных данных.
Отлично! Теперь вопрос - если все работает, то зачем искать другие переменне? 
 
Dmytryi Nazarchuk #:
Отлично! Теперь вопрос - если все работает, то зачем искать другие переменне? 
Потому что существует ещё информация которая влияет на будущее движение цены которую я не использую а очень хотелось бы, это бы увеличело надёжность получаемых моделей!!!
 
Mihail Marchukajtes #:
Потому что существует ещё информация которая влияет на будущее движение цены которую я не использую а очень хотелось бы, это бы увеличело надёжность получаемых моделей!!!
Не забивай себе голову надежностью -мониторь сигнал и в бой!
 
Dmytryi Nazarchuk #:
Не забивай себе голову надежностью -мониторь сигнал и в бой!
Хорошо, как скажете!!!
 
Andrei Trukhanovich #:

так что в итоге - парковаться научил?

Парковаться — нет. Ставить рядом.

Но там целевая так задана — расстояние от колес до углов идеально запаркованного прямоугольника.

 
Mihail Marchukajtes #:
Хорошо, как скажете!!!

А через какого брокера ты получаешь доступ на Московскую биржу с использованием МТ?

 
Dmytryi Nazarchuk #:

А через какого брокера ты получаешь доступ на Московскую биржу с использованием МТ?

Открытие, БКС, Финам. Там же есть ветки отдельные об этом!
 
Mikhail Mishanin #:

Вы интерпретировали моё мнение с точность до "наоборот", в природе целевая самая практичная - выживает и размножается самый "нужный". И обучать нужно самой "практичной" целевой никак её не меняя.

О данных, да, информацию подаваемую на вход, но в идеале у нас должны сформироваться/отобраться - "глаза", "уши", "нос" и т.п.

1) да вот только "Чтобы обучить нейросеть, нужны гигантские наборы тщательно отобранных данных"

Чтобы создать новую нейросеть, требуется задать алгоритм, прогнать через него все данные, протестировать и неоднократно оптимизировать. Это сложно и долго. Поэтому иногда проще воспользоваться более простыми алгоритмами — например, регрессией.

2) я сначала тоже думала так по-простому (регрессией)... но линейная регрессия смущает тем, что, насколько помню, цены нелинейны, а return линеен (если не наоборот?) - по крайней мере у опционов на фьючерсы... банально ax^2+bx+c=0 , где b- скорость, а- ускорение,  - но на это дело ещё надо бы наложить фактор времени - в принципе он накладывается при рассмотрении опцов разных дат экспирации, но 3d-картинки такого добра не всегда оправдывают себя... а самое грустное в таком анализе то, что по данным DB CME в клиринг все цены выровнены относительно центрального страйка и увидеть дисбалансы по данным отчёта я пока не вижу возможности, а мониторить real-time (ну я же не арбитражер, чтобы так этим заворачиваться)... да и не так уж всё линейно, скорее экспоненциально по логике, а скрещивать крокодила с носорогом (в модели 2х факторов - времени и проц. ставки) пока не хочется... вроде в ценообразовании опционов и так уже всё скрестили

3)

Mihail Marchukajtes #:
Всё верно на счёт целевой, она у меня идеальная от сигнала к сигналу по условия если сигнал прибыльный то ставим единицу если убыточный то ставим 0 и накак иначе, ну разве что прибыль можно рассчитывать с условием спрэда!!!!

это ещё один возможный алгоритм машинного обучения - применение теоремы Байеса (мне так показалось по описанию)... "Эти алгоритмы используют для работы с текстовыми документами — например, для спам-фильтрации."... Нейросети же работают сложнее - от слоя к слою (deep learning)...

В общем, смотрю на эти 3 алгоритма машинного обучения - и пока понимаю, что с точки зрения теории вероятностей НЕ перечеркнуть целевую функцию НЕ так то уж легко в своей модели, чтобы не получить в итоге переобучение от лучшего к худшему и главное, что всего лишь опираясь на историю... алгоритм+данные+условия для отбора на следующий слой = вроде самое логичное (хотя только при работе с большими объёмами данных, но не всегда они такие)

Наверно, поэтому (по причине отпада двух из трёх алгоритмов) в трейдинге слои Н.Сетей перспективнее, чем просто регрессия или теорема Байеса... но пу сути, как по мне, так всё пока что сводится к банальному программированию Decision-making process, только с использованием огромных выборок для подкрепления решений робота статистикой... которой увы у нас не так уж и много, и которая не столько центрирует конкретику выходного вывода, сколько задаёт размах возможностей совокупности выходов... всё тот же Range... в котором цена обычно и плавает... (т.к. floating rate of exchange сам по себе порождает волатильность)..

а закодить  Decision-making process трейдера (и его собственного обучения) не получится, не пройдя это обучение самому... только тогда есть, что передать роботу, но, конечно, алгоритм анализа ошибок ему всё равно особо не передать в мат. модели (пока они присутствуют в мозге самого кодера)... имхо

ОК, подумаю на досуге, как не перевернуть всё с ног на голову (чтобы не получить переобучения в худшую сторону)... Pr, OI, Volume- это всё равно лишь часть data для expectations & decisions трейдера, а спрос и предложение всё-таки рождается из них, а не из мат. моделей... имхо

(пока насчитала 5 факторов, и это без учёта в полном нужном объёме фискальной и монетарной политики 2х стран, присутствующих в котировке)

Mikhail Mishanin спасибо за наводку

один нюанс немного противоречит вашей view? (не совсем понятен из цитаты по линку)

По сути, скрытые слои выполняют какую-то математическую функцию. Мы её не задаём, программа сама учится выводить результат.

смахивает на путь тупого перебора... (как в алгоритме, например, взлома пароля)

p.s. и всё-таки:

Igor Makanu #:

МО не запоминает историю, возможно Вы о переобучении модели

поэтому много данных в текущем моменте и не насобирать, чтобы заряжать слои сети вместо простого Decision-making process... поэтому пока всё ещё склоняюсь к возможной пользе в РМ, но не ТМ

Искусственный интеллект, машинное обучение и глубокое обучение: в чём разница
Искусственный интеллект, машинное обучение и глубокое обучение: в чём разница
  • skillbox.ru
Компьютер запросто диагностирует рак, управляет автомобилем и умеет обучаться. Почему же машины пока не захватили власть над человечеством?