Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3274

[Renat Akhtyamov]

Maxim Dmitrievsky #:
начинай писать мемуары как ты отымел этот Форекс и продавай их, не трать себя

зачем?

это хобби, чисто для себя

к тому же цель - 1000кратное увеличение депозита еще не достигнута

[Maxim Dmitrievsky]

Renat Akhtyamov #:

зачем?

это хобби, чисто для себя

к тому же цель - 1000кратное увеличение депозита еще не достигнута

почему-то тебе кажется, что твое увлечение самое увлекательное

[Renat Akhtyamov]

Maxim Dmitrievsky #:

почему-то тебе кажется, что твое увлечение самое увлекательное

ты прав

каждому свое

но мне также интересно МО

но зачем я буду наступать на те же грабли?

почувствую положительный результат тутошних изысканий, и с удовольствием присоединюсь к сформировавшимся специалистам этой области

однако, ошибки размышлений видны невооруженном глазом

и очень хочется, чтобы вы шли в верном направлении, чтобы достичь ожидаемого результата в сжатые сроки

[mytarmailS]

про ансабли стратегий

https://buildalpha.wordpress.com/2018/11/20/buildalpha-ensemble-strategies-reduce-overfitting-by-combining-strategies/

----------------------------------------

Кароч все что нужно, это метрика переобучености стратегий, чтобы знать будет работать стратегия на новых данных или нет, все остальное решаемо..

----------------------------------------

Есть идея взять несколько подходов выявлению  переобучености , мой на базе auto.arima , Прадо "PBO" ,  еще что то возможно , закинуть в качестве предикторов и научить АМО прогнозировать вероятность переобучения и сделать это метрикой.

Как вариант..

[Maxim Kuznetsov]

mytarmailS #:
метрика переобучености стратегий, чтобы знать будет работать стратегия на новых данных или нет

ещё один вариант формулировки слова грааль ? :-) "знать будет ли работать в будущем"

[mytarmailS]

Maxim Kuznetsov #:

ещё один вариант формулировки слова грааль ? :-) "знать будет ли работать в будущем"

Я не точно выразился, нужна честная вероятность например  -  будет работать на новых данных с вероятностью 69%

[mytarmailS]

про "п-хакинг" и стратегии

https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/

[Lorarica]

Если позволите и мне хотелось бы внести свой вклад в столь интересную и важную тему.

   Машинное обучение, ML - класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.

P.Z.

[lynxntech]

Lorarica #:

Если позволите и мне хотелось бы внести свой вклад в столь интересную и важную тему.

   Машинное обучение, ML - класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.

P.Z.

тут самое главное не писать много слов, уже так устали в поисках, что 1-2 предложения не будут прочитывать

[Maxim Dmitrievsky]

mytarmailS #:

про "п-хакинг" и стратегии

https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/

Поэтому оптимизация стратегии или обучение должно выглядеть примерно так:

где средняя оценка - аналог результата при использовании кросс-валидации

R2: 0.9849988744314404
Learn 1 model
R2: 0.9689143064621495
Learn 2 model
R2: 0.987424656181599
Learn 3 model
R2: 0.9439690206389704
Learn 4 model
R2: 0.9814487072270343
Learn 5 model
R2: 0.9636828703372952
Learn 6 model
R2: 0.986048862779979
Learn 7 model
R2: 0.960923469755229
Learn 8 model
R2: 0.9734744911894477
Learn 9 model
R2: 0.983760998020949
Learn 10 model
R2: 0.970035929265801
Learn 11 model
R2: 0.9888147318560191
Learn 12 model
R2: 0.9724422982608569
Learn 13 model
R2: 0.9554046278458146
Learn 14 model
R2: 0.9664401507673384
Learn 15 model
R2: 0.9806752105871513
Learn 16 model
R2: 0.977769556127485
Learn 17 model
R2: 0.9760342284284887
Learn 18 model
R2: 0.9769043647488534
Learn 19 model
R2: 0.9741849376008709
Learn 20 model
R2: 0.9740162061450146
Learn 21 model
R2: 0.919817531536493
Learn 22 model
R2: 0.9788269230776873
Learn 23 model
R2: 0.9579249703828974
Learn 24 model
R2: 0.9612684327278544

>>> o[0].mean()
0.9706082542553089

>>> o[0].std()
0.015284036641045055