Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1189

[[Gelöscht]]

Aleksey Nikolayev:

Ich habe in der Branche nichts über Informationskriterien(Bayes oder Akaike) gesehen. Vielleicht werden sie standardmäßig verwendet (in den verwendeten MO-Paketen)?

Querentropie oder Log-Verlust verwendet wird

für Mehrklassen- bzw. Binärklassifizierung

für Regressionsaufgaben Mittelwert-quadratisch. (rms) und ähnliche

Ich glaube, das ist Akaike

[[Gelöscht]]

Ich habe PCA und LDA für die Vorverarbeitung der Prädiktoren geprüft (um Kollinearität zu beseitigen). Wie zu erwarten, funktioniert es bei neuen Daten nicht, da die Komponenten selbst anfangen zu schwanken, obwohl das Modell im Zug vielleicht etwas besser auf sie trainiert ist. Aber da sich die Komponenten selbst bei neuen Daten unvorhersehbar verhalten, ist es dasselbe und sogar noch schlimmer. Im Allgemeinen sind viele der klassischen MO-Techniken einfach nicht auf den Markt anwendbar, oder besser gesagt, sie funktionieren nicht frontal.

[Aleksey Nikolayev]

Maxim Dmitrievsky:

Kreuzentropie wird verwendet oder Log Loss

für Mehrklassen- bzw. Binärklassifizierung

für Regressionsaufgaben Mittelwert-Quadrat. (rms) und ähnliche

Ich nehme an, das ist es, was Akaike ist.

Sieht so aus.

[Aleksey Nikolayev]

Maxim Dmitrievsky:
PCA und LDA für die Vorverarbeitung der Prädiktoren geprüft (Beseitigung der Kollinearität). Wie erwartet funktioniert es nicht mit den neuen Daten, weil die Komponenten selbst anfangen zu schwanken, obwohl das Modell vielleicht ein bisschen besser auf sie in der Schale lernt. Aber da sich die Komponenten selbst bei neuen Daten unvorhersehbar verhalten, ist es dasselbe und sogar noch schlimmer. Im Allgemeinen sind viele der klassischen MO-Techniken einfach nicht auf den Markt anwendbar.

Aufgrund der Nicht-Stationarität ist es manchmal notwendig, veraltete Daten zu verwerfen:

1) Wir brauchen einen geeigneten Algorithmus, um den überholten Teil der Stichprobe zu verwerfen (Suche nach Diskontinuität).

2) Der verbleibende Teil der Probe ist immer von unterschiedlicher Länge und oft kurz. Wir brauchen auch hier richtige Modelle.

[Igor Makanu]

Maxim Dmitrievsky:

Dies wurde in dem neuen Artikel bereits umgesetzt, allerdings nicht ganz so, wie wir es uns wünschen.

Von welchem Artikel ist die Rede?

[[Gelöscht]]

Igor Makanu:

Von welchem Artikel ist die Rede?

der zur Moderation vorgelegt, aber noch nicht veröffentlicht wurde

[Aleksey Nikolayev]

Maxim Dmitrievsky:

Es gibt noch einen anderen Ansatz, den ich im Moment für den vielversprechendsten halte - Bruteforcing von Modellen durch Aufzählung von Ausgangsvariablen

Grob gesagt, handelt der virtuelle Händler eine pseudo-zufällige Anzahl von Malen (wie Monte Carlo oder Genetik), jedes Mal beobachtet er/sie seinen/ihren Handel und korrigiert falsche Positionen, dreht unrentable Positionen grob gesagt, so dass sie profitabel werden.

Nach jedem Durchgang wird das System auf korrigierte Geschäfte umgeschult. Dies ist in dem neuen Artikel bereits umgesetzt, aber nicht ganz so, wie wir es gerne hätten. Wir brauchen interessante Kombinationen von Ausstiegen, die von den aktuellen Marktbedingungen abhängen, zum Beispiel von der Streuung und der Steigung über n-Balken. Für jedes dieser Merkmale wird eine Verteilung ausgewählt, aus der zufällige Geschäfte entnommen werden; anschließend werden auf die gleiche Weise unrentable Geschäfte korrigiert und darauf trainiert. Nach vielen Durchläufen wird die optimale Strategie gesucht (basierend auf minimalen Fehlern in der Testprobe).

Frage: Wie kann man auf interessante Weise die Abhängigkeiten zwischen den aktuellen probabilistischen Merkmalen des Marktes und den Verteilungen, aus denen zufällige Ergebnisse entnommen werden, organisieren? In diesem Fall ändern sich sowohl die Anzahl der Trades als auch einige Abhängigkeiten innerhalb des Modells, d.h. wir erhalten viele verschiedene profitable Modelle (Lösungen), von denen das optimale Modell nach einem benutzerdefinierten Optimierungskriterium (Modellfehler, Stabilität bei neuen Daten) ausgewählt wird.

Der Ausstieg scheint sinnvoll zu sein, wenn der Kapitalabzug höher als der festgelegte ist und sein Wachstum im Vergleich zur Volatilität zu langsam ist (kleines Verhältnis von Schiefe zu Varianz)

Es ist nicht ganz klar, wie dieser Ansatz zur Bekämpfung der Nicht-Stationarität beitragen soll).

[Igor Makanu]

Maxim Dmitrievsky:

der zur Moderation vorgelegt, aber noch nicht veröffentlicht wurde

Danke, ich werde warten, jetzt verpasse ich es nicht mehr!

[mytarmailS]

interessanter Artikelhttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

und der Blog im Allgemeinen

[Aleksey Vyazmikin]

mytarmailS:

interessanter Artikelhttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886

und den Blog im Allgemeinen.

Haben Sie versucht, seinen Indikator in Code auszudrücken?

1) находим максимум минус минимум для каждого из 10 дней, предшествующих настоящему моменту; 
2) берем сумму этих значений (сумма частей); 
3) находим 10-дневный диапазон: 10-дневный максимум минус 10-дневный минимум; 
4) делим сумму частей на целый диапазон – это основная мера фрактальной размерности/сложности; 
5) берем 60-дневную среднюю 10-дневной серии значений сложности – это метрика квартального хаоса/стабильности; 
6) используем 252-дневное нормальное распределение z-оценки или ранг процентиля метрики хаоса/стабильности; 
7) значения, которые выше 0,5, показывают, что рынок находится в режиме «хаоса» и гораздо менее предсказуем и нестационарен, значения ниже 0,5 показывают, что рынок стабилен и намного более предсказуем.