Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 139
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
Das klingt alles sehr akademisch.
Wenn ich mich recht erinnere, ist bei über 100.000 Beobachtungen sogar der ursprüngliche Kotier fast stationär.
Na und?
Schließlich arbeiten wir höchstwahrscheinlich an einem Terminal in einem Fenster von 100-150 Beobachtungen. Wie groß sollte das Fenster im Allgemeinen sein? Und wofür?
Wenn es um die Entfernung von Rauschprädiktoren geht, eine große Zahl, vielleicht bis zu 10.000. Brauchen Sie 100.000 Prädiktoren, um Rauschen zu entfernen?
Die Stichprobengröße muss in gewisser Weise mit einigen stationären Merkmalen des Marktes zusammenhängen. In dem hier behandelten Fall sollten die Rauschprädiktoren für recht große Zeitintervalle gelten.
Dies ist die Phase der Rauschunterdrückung.
Der nächste Schritt besteht darin, das Modell zu trainieren, um sicherzustellen, dass das Modell nicht übertrainiert ist.
Wenn es uns gelingt, eine Reihe von Prädiktoren zu finden, bei denen das Modell nicht übertrainiert ist, dann macht alles andere Sinn. Andernfalls ist jegliches Gerede völlig leer. Vergessen wir nicht, dass es viel einfacher ist, einen wissentlich umtrainierten TS mit Hilfe von Indikatoren zu erstellen als mit all den Spielereien der künstlichen Intelligenz, deren Ergebnis immer noch ein übertrainierter TS sein wird.
Wir haben also einen bestimmten Satz von Prädiktoren, der nicht zu einer Umschulung führt. Der Rentabilitätswert spielt keine Rolle, die Hauptsache ist, dass die Rentabilität so hoch ist und bei verschiedenen Stichproben nicht sehr stark schwankt.
Und nun der nächste Schritt.
Wir nehmen ein kleines Fenster = 100-500 Beobachtungen und verwenden es, um dem Modell die Auswahl der Prädiktoren beizubringen, zum Beispiel durch rfe. Dadurch wird die Menge der Prädiktoren weiter verringert. Durch Erfahrung in zwei Zeiten.
Mit diesem reduzierten Satz von Prädiktoren machen wir eine Vorhersage, die genau einen Schritt voraus ist. Diese Vorhersage sollte normalerweise ein Konfidenzintervall haben - das ist das Risiko.
Wir handeln im Rahmen der Vorhersage. D.h. wir sagen den nächsten Tag voraus, und handeln am M5. Auf die Hälfte der vorhergesagten Bewegung setzen wir TP.
Beim Verlassen aller Positionen verschieben wir das Fenster, wählen die Prädiktoren mit rfe aus und sagen sie erneut voraus.
Ein Prognosefehler ist ein Fehler in jedem Schritt, nicht in allen auf einmal.
Aber der praktische Wert ist nicht dieser Wert, sondern der Wert des Gewinn-/Verlustfaktors oder was auch immer, zumindest im Tester.
Das klingt alles sehr akademisch.
///
Ich werde alle Ihre Schlussfolgerungen durch einen einzigen Satz ersetzen: Rauschfreie Prädiktoren funktionieren bei einer unendlich großen Stichprobe. Daher sollte das Lärmscreening an einer möglichst großen Stichprobe durchgeführt werden.
Wenn Ihre "Nicht-Rausch-Prädiktoren" auf einer endlichen Stichprobe des Quotienten arbeiten, dann sind sie lokales Rauschen.
OK, das wird interessant zu lesen sein.
CNN ist nicht per se ein rekurrentes Netz.
Apropos Faltungsnetzwerke. Diese Art von neuronalem Netz ist nicht für die Lösung von Regressionsproblemen gedacht. Aus diesem Grund waren die Ergebnisse des öffentlichen Experiments enttäuschend.
Die von CNN zu lösenden Aufgaben sind Klassifizierung, Lokalisierung, Erkennung und Segmentierung.
Es handelt sich also um "Notizen am Rande".
Viel Glück!
Apropos Faltungsnetzwerke. Diese Art von neuronalem Netz ist nicht für die Lösung von Regressionsproblemen gedacht. Aus diesem Grund sind die Ergebnisse des öffentlichen Experiments bedauerlich.
Die von CNN gelösten Aufgaben sind Klassifizierung, Lokalisierung, Erkennung und Segmentierung.
Das sind nur "Randbemerkungen".
Viel Glück!
Sind Sie sicher, dass die Klassifizierung nicht als Regression dargestellt werden kann und umgekehrt? Schließlich wird dieser Block auf vollständig verknüpften Schichten gelöst, und wo ist da der Unterschied? Haben Sie einen Ausweis?
Und übrigens sind die Ergebnisse nicht bedauerlich. Warum so entschlossen? Es ist nur so, dass die Funktion recht komplex ist und das Netz sie nicht mehr vom Rauschen unterscheiden kann (ich meine ein voll vernetztes Netz). Haben Sie das Problem selbst gelöst, oder betreiben wir nur Demagogie?
Leute, hat jemand Intraday-Kurse, vorzugsweise M5-Indizes, brauche drei Instrumente, mindestens 50.000 Kerzen
1) Euro Stoxx 50 oderEuro Stoxx 600
2) Dow Jones oder S&P 500 oder NASDAQ
3) Paar EUR/USD
Wenn Sie welche haben, lassen Sie es mich bitte wissen, um zu experimentieren, ich wäre Ihnen dankbar.
Alexey Burnakov:
Wenn Ihre "Nicht-Rausch-Prädiktoren" auf einem begrenzten Quotientensegment funktionieren, dann sind sie lokales Rauschen.
Was wollen Sie mit möglichst langen Proben beweisen? Die Hypothese der effizienten Märkte? Es gibt einen Haufen Unwissende da draußen, darunter auch Bankrotteure, die diese Hypothese gepredigt haben.
Ich hingegen spreche von einer sehr spezifischen Anwendung der Instrumente. Und diese Besonderheit lässt sich für mich in dem Satz zusammenfassen: "Up-front half-return". In diesem Rahmen beträgt der optimale Vorhersagehorizont 1 Woche, zur Beruhigung der Nerven 2 Monate.
Alles andere muss genau auf die Entnahme von Gewinnen abgestimmt werden. Hier und jetzt. Was vor '87 geschah, ist uninteressant. Es ist uninteressant, was vor '97 geschah, und wenn wir weitergehen, ist die nächste Grenze 2007. Bei der Wahl eines Zeitraums zur Ermittlung von Rauschprädiktoren muss man in irgendeiner Weise davon ausgehen, dass der vorangegangene Zeitraum dem zukünftigen ähnlich ist. Funktioniert nach dem Brexit alles so wie vorher? und was passiert nach der US-Wahl? Es gibt politische Schocks und Börsencrashs, die nichts mit der Politik zu tun haben, und sie unterteilen die historischen Daten in kleine Stücke.
Video -https://www.youtube.com/watch?v=-INzzOXxkhU
Meiner Meinung nach ist dies einer der richtigen Entwicklungswege, der sowohl das Problem der Lärmselektion als auch das der Umschulung umfassend löst(natürlich nur in der Theorie)
1) Wir suchen nach wiederkehrenden Situationen in der Geschichte - eine Art Merkmalsauswahl
2) Wir berechnen die Statistik der Preisreaktion auf das Muster, sagen wir, 10 Rückgänge und 1 Wachstum und es stellt sich heraus, dass wir das Folgende getan haben
1. Wir haben starke Muster mit guter Statistik identifiziert (qualitative Merkmalsauswahl)
2. Wir haben verstanden, dass sich das Muster nicht wiederholt (qualitative Merkmalsauswahl)
3. Wir haben das Merkmal im Wesentlichen überprüft, da wir alle Statistiken dazu berechnet haben.
4. wir haben die Umschulung abgeschafft, da wir alles Unnötige beseitigt haben und nur das übrig geblieben ist, was sich in der Vergangenheit bewährt hat
und das alles in einer Flasche :)
p.s. Wenn ich mir das Video ansehe, sehe ich nicht ein einziges Mal, dass er sich bei der Vorhersage geirrt hat, und das ist eine Menge ...
Was wollen Sie mit möglichst langen Stichproben beweisen? Die Hypothese der effizienten Märkte? Es gibt einen Haufen Noobs da draußen, einschließlich der Bankrotteure, die diese Hypothese verkündet haben.
Tatsächlich zeige ich, dass bei der maximal verfügbaren Stichprobe die Abhängigkeiten von den ausgewählten Fics reproduzierbar sind, was das direkte Gegenteil Ihrer Aussage ist. Der Markt ist in der gesamten Geschichte ineffizient.
Zu den übrigen Punkten möchte ich mich nicht äußern: Das ist Ihre Sache.
Video -https://www.youtube.com/watch?v=-INzzOXxkhU
Meiner Meinung nach ist dies einer der richtigen Entwicklungswege, der sowohl das Problem der Lärmselektion als auch das der Umschulung umfassend löst(natürlich nur in der Theorie)
1) Wir suchen nach wiederkehrenden Situationen in der Geschichte - eine Art Merkmalsauswahl
2) Wir berechnen die Statistik der Preisreaktion auf das Muster, sagen wir, 10 Rückgänge und 1 Wachstum und es stellt sich heraus, dass wir das Folgende getan haben
1. Wir haben starke Muster mit guter Statistik identifiziert (qualitative Merkmalsauswahl)
2. Wir haben verstanden, dass sich das Muster nicht wiederholt (qualitative Merkmalsauswahl)
3. Wir haben das Merkmal im Wesentlichen überprüft, da wir alle Statistiken dazu berechnet haben.
4. wir haben die Umschulung abgeschafft, da wir alles Unnötige beseitigt haben und nur das übrig geblieben ist, was sich in der Vergangenheit bewährt hat
und das alles in einer Flasche :)
p.s. beim Betrachten des Videos beobachten Sie den Indikator, ich habe nicht ein einziges Mal gesehen, dass er in der Prognose falsch war, und das ist stark ...
alles wahr.
Ich habe mir das Video nicht angesehen, weil ich davon überzeugt bin, dass man alles so einbauen kann, dass es hübsch aussieht, egal wie groß die Geschichte ist, die man will. Die Wahrheit ist nicht schön. Der Nachweis, dass das Modell nicht übertrainiert ist, ist sehr schwierig.
Für mich geht es nur um das Risiko - ich versuche, zumindest ein kleines Risiko einzugehen. Sie können einen Expert Advisor erstellen, der seit vielen Jahren erfolgreich ein Dutzend Paare handelt, aber wozu? Der Gewinn wird wahrscheinlich ein paar Prozent pro Jahr betragen.....
Nun, du hast es noch nicht einmal probiert... :)
Nur ein kleiner Bericht über meine Experimente mit statistischer Arbitrage.
Ich habe mich noch nicht für die Parameter entschieden, ich habe die besten nach dem Schnelltest genommen, ich habe mich auch nicht um die Geldverwaltung gekümmert.
Also zu sagen, die neuen Daten "hält die Arbitrage" viel besser als die Systeme, die ich verwendet, mit maschinellem Lernen, hält es 10 mal besser ...
Was ist so seltsam... Ich habe in einem halben Tag des Experimentierens mit Arbitrage mehr herausgefunden als in einem halben Jahr mit maschinellem Lernen. Es ist nicht nur seltsam, sondern auch beunruhigend...
Der erste ist, dass es ein großes Problem mit Arbitrage gibt:
Die erste ist, dass es einen erheblichen Rückgang von +/- 30 % gibt.
Und zweitens kann ich mir immer noch nicht vorstellen, wie man maschinelles Lernen damit verbinden kann :)