Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3396

[Maxim Dmitrievsky]

Aleksey Nikolayev #:

В целом неплохой текст, многое проясняющий и упорядочивающий, хотя и есть некоторые теоретические корявости.

Имхо, с практической точки зрения для нас более актуальна задача по отделению реальных ассоциативных связей от кажущихся (устойчивых от неустойчивых).

Все больше кажется, что он никакой не управляющий, а просто преподает студентам :) Берет горячие МО темы и преподносит как последние достижения в трейдинге 

[Aleksey Nikolayev]

Maxim Dmitrievsky #:
Все больше кажется, что он никакой не управляющий, а просто преподает студентам :) Берет горячие МО темы и преподносит как последние достижения в трейдинге 

Где-то попадалось утверждение, что он был управляющим крутого фонда (весьма короткое время) только для того, чтобы у фонда была законная возможность использовать какой-то его патент - своеобразный способ покупки. Вопрос о конкретной пользе от такого приобретения (крутой алгоритм или пиар) там не обсуждался.

[Maxim Dmitrievsky]

Хочется написать оптимизатор портфеля моделей, поскольку они генерятся довольно быстро, в промышленных масштабах 

Но если их получится много, не хочется перетаскивать все в терминал. чисто гипотетически, если сохранять не модели, а стакать датасеты, на которых они обучены, а затем обучать на них одну финальную модель, результаты же должны быть сопоставимы с ансамблем моделей?

[Maxim Dmitrievsky]

Еще в планах эксперименты не с позиционным матчингом, как в статье, а через Propensity score. Это позволит заодно и откалибровать вероятности.

Потом еще та либа от гугла, посмотреть что из нее можно вытащить.

Может позже выкачу результаты.

[Aleksandr Dziuba]

Если в оптимизации параметров, при получении результатов, в нижних строчках есть отрицательные значения по депозиту, профиту или эквити, обязательно этот результат когда нибудь точно стрельнет.  Все оптимизации это получение данных только на этот период. Хоть это и не печально но так и есть. 

[Maxim Dmitrievsky]

Maxim Dmitrievsky #:

Еще в планах эксперименты не с позиционным матчингом, как в статье, а через Propensity score. Это позволит заодно и откалибровать вероятности.

В теории, через него можно искать и матчить сэмплы

Например, случайно размечаем один кусок выборки как 0, другой как 1. Учим НС разделять классифицировать к какой выборке принадлежит пример. Это еще называется Adversarial validation.

В идеальном случае НС не должна определить выборку, ошибка должна быть в районе 0.5. Это значит, что исходная выборка хорошо рандомизирована.

propensity
0.38        3
0.40        3
0.41        3
0.42       20
0.43       27
0.44       40
0.45       56
0.46      140
0.47      745
0.48     3213
0.49     8041
0.50    11718
0.51     5324
0.52     1187
0.53      749
0.54      209
0.55       95
0.56       54
0.57       29
0.58       12
0.59       14
0.60        8
0.61        6
0.63        1

Все, что в районе 0.5 - хорошо, эти данные можно использовать для обучения. Крайние значения - выбросы.

Потом по каждой "вероятности" можно посчитать процент угаданных случаев.

Пока что немного ломает мозг такой подход.

[Aleksey Vyazmikin]

Интересный длящийся конкурс - для тех кто хочет сравнить свои успехи в прогнозировании котировок с другими участниками.

[mytarmailS]

Aleksey Vyazmikin #:

Интересный длящийся конкурс - для тех кто хочет сравнить свои успехи в прогнозировании котировок с другими участниками.

Так была уже эта ссылка тут много много раз

[Aleksey Vyazmikin]

mytarmailS #:
Так была уже эта ссылка тут много много раз

Я как то не запомнил - видимо не ясно тогда было, что делать, а сейчас почитал хэлп и стало понятней.  В любом случае, факт, что эта затея уже долго работает. Как я понял, платят там какой то криптой за хорошие прогнозы.

Минус конечно в том, что код открытый нужно передавать для участия.

[Maxim Dmitrievsky]

Будущее наступило.. запустил LLM от гугла локально. Теперь мне не нужна жена и друзья.