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