Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2595
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Dann stellt sich heraus, dass man auf einer möglichst kurzen Strecke trainieren muss. Damit nach dem Wechsel des Musters das neue Muster schneller wirkt.
Wenn Sie z. B. 12 Monate lang trainieren, werden nach einem Musterwechsel in 6 Monaten die neuen und alten Muster 50/50 sein. Und in etwa einem Jahr wird es Schulungen und Handel nach dem neuen Muster geben. Das heißt, dass das Muster fast ein ganzes Jahr lang nach einem veralteten Muster gehandelt wurde und höchstwahrscheinlich Verluste gemacht hat.
Wenn Sie 1 Monat lang trainieren, lernt das Muster in einem Monat wieder richtig zu funktionieren.
Es wäre gut, 1 Woche lang zu trainieren... Aber es gibt nicht genügend Daten.
Ich bin sicher, dass es sich nicht lohnt, für einen kurzen Zeitraum zu gehen. Außerdem fehlen die Daten für die Modelle und es besteht die Gefahr der Überanpassung an die Marktbedingungen. Das Konzept der Anpassung sieht gut aus, ist aber wegen der Verzögerung (während der Datenakkumulation kann sich der Zustand bereits geändert haben) kaum ein Gral. Es können mehrere Modelle gleichzeitig ausprobiert werden - eines ist für längerfristige Muster verantwortlich, ein anderes/andere für kurzfristige (aktuelle) Muster, die Lösung ist eine Funktion der Lösungen all dieser Modelle.
Es gibt noch weitere interessante Aspekte der Verwendung von MO im Handel. Zum Beispiel der Algorithmus, der bestimmt, welches Intervall der Geschichte für das Training verwendet werden soll. Vielleicht kann sie durch einige Meta-Parameter festgelegt werden, die durch Kreuzvalidierung optimiert werden. Ich muss Prado lesen).
Wahrscheinlich ist es besser, vorwärts zu rollen, es hat immer OOS nach dem Zug. Bei SW wird nur der erste Durchlauf auf diese Weise erfolgen, der Rest verwendet sowohl Vor- als auch Nachlaufdaten für die Trane.
Kurzfristig lohnt es sich nicht, wegzugehen, da bin ich mir sicher. Außerdem wird es an Daten für die Modelle mangeln, und es besteht die Gefahr, dass die Modelle zu stark an die Marktbedingungen angepasst werden. Das Konzept der Anpassung sieht gut aus, aber wegen der Verzögerung (bis man Daten sammelt, kann sich der Zustand bereits geändert haben) ist es unwahrscheinlich, dass es ein Gral ist. Sie können mehrere Modelle gleichzeitig ausprobieren - eines ist für längerfristige Muster zuständig, ein anderes/andere für kurzfristige (aktuelle) Muster, die Lösung ist eine Funktion der Lösungen all dieser Modelle.
Nach jüngsten Experimenten mit 5000 Zeilen M5 (etwa 2 Monate) gibt es etwas Interessantes. Bei 3000 ist es schon schlimm. Dies gilt jedoch nur für die spezifischen Chips und das Ziel. Vielleicht gibt es einen anderen Satz von Merkmalen und ein anderes Ziel, wenn das Modell nach dem Training auf einer kurzen Fläche funktioniert. Wir werden experimentieren müssen...
Hängt von der Anzahl der Funktionen ab, ich mag mehr Funktionen, normalerweise sind 5000 nicht genug, wenn Sie bis zu 5 Funktionen haben, sind 5000 vielleicht ok.
Dann stellt sich heraus, dass man auf einer möglichst kurzen Strecke trainieren muss. Damit nach dem Wechsel des Musters das neue Muster schneller wirkt.
Wenn Sie z. B. 12 Monate lang trainieren, werden nach einem Musterwechsel in 6 Monaten die neuen und alten Muster 50/50 sein. Und nach etwa einem Jahr wird es Schulungen und Handel nach dem neuen Muster geben. Das heißt, dass das Muster fast ein ganzes Jahr lang nach einem veralteten Muster gehandelt wurde und höchstwahrscheinlich Verluste gemacht hat.
Wenn Sie 1 Monat lang trainieren, lernt das Muster in einem Monat wieder richtig zu funktionieren.
Es wäre gut, 1 Woche lang zu trainieren... Aber es gibt noch nicht genug Daten.
Was den Lärm angeht, ja. Ich habe allerdings nicht darüber nachgedacht, ob ich Abschnitte der Geschichte mit oder ohne Lärm nehmen soll. Und übrigens, wie ist das vor der Modellschulung zu verstehen? Wie, iterativ? Sie trainieren den gesamten Abschnitt, sehen, wo er am besten abschneidet, lassen diese Abschnitte aus und trainieren nur diese Abschnitte zuerst? Daraus ergibt sich die zweite Frage, die man vor der experimentellen Validierung als philosophisch bezeichnen könnte: Ist es für das Modell besser, verschiedene Bereiche, einschließlich verrauschter Bereiche, sofort zu sehen, aber im Durchschnitt mit verrauschten Daten zu trainieren, oder mit saubereren Daten zu trainieren, aber verrauschte Daten überhaupt nicht zu sehen?
Und was ist falsch an Riesengrößen? Abgesehen von der erhöhten Berechnungszeit?
Wahrscheinlich besser mit einem Valking Forwarder, der hat immer OOS nach Trayn. In der SW wird nur der erste Durchgang auf diese Weise erfolgen, der Rest wird sowohl Daten vor als auch nach dem Zug verwenden.
Und wenn man es nicht vermischt, ist es, als würde man abwechselnd gleich lange Abschnitte anbringen.
Wahrscheinlich besser mit einem Valking Forwarder, der hat immer OOS nach Trayn. In der SW wird nur der erste Durchlauf so sein, der Rest wird sowohl vor als auch nach OOS für nachlaufende Daten verwendet.
Ich stimme mit Ihnen überein, wenn es um die Beantwortung der Frage "Wie kann man in der nächsten Periode handeln?" geht. Bei der Beantwortung der Frage "Gibt es in diesem Abschnitt der Geschichte ein Muster?" ist die TOR durchaus anwendbar.