Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1639
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
Ich stimme völlig zu.
Das habe ich mir schon oft überlegt, und ich denke, man muss die Ergebnisse eines Systems mit seinem Potenzial in einem bestimmten Bereich vergleichen.
Ich habe gerade heute darüber nachgedacht, wie man es besser und universeller machen kann. Ich stelle mir vor, dass der Lernprozess aus mehreren Schritten besteht, von denen der erste die Markierung von Proben ist, die man auf der Grundlage einiger Signalstrategien markieren kann. Diese Strategien sollten primitiv sein, haben aber Potenzial, zum Beispiel, MA Kreuzung durch den Preis erzeugt ein Einstiegssignal in Richtung einer solchen Kreuzung oder umgekehrt. Dann ist das Training nur ein Mittel, um falsche Signale herauszufiltern. Wenn man eine solche Annahme akzeptiert, kann man berechnen, wie viel Prozent eine solche Filterung in jedem Zeitintervall wirksam ist. Am einfachsten wäre es, die Genauigkeit und Vollständigkeit der Klassifizierung im Verhältnis zur Basisstrategie zu berechnen. Es gibt noch andere Optionen - Metriken. Dann können wir sehen, wie sich die Effektivität des Modells ändert, selbst wenn es anfängt, Geld zu verlieren.
Es scheint auch eine gute Idee zu sein, ein System auf der Grundlage eines vollständigen Satzes primitiver, aber sinnvoller Systeme aufzubauen. Vollständigkeit bedeutet, dass es möglich ist, aus diesem Satz profitable Systeme für jedes beliebige Stück von Kursen auszuwählen. Bedeutsamkeit ist in etwa das, was Sie als Potenzial bezeichnen. Dann baue ich aus diesem Set ein Portfolio auf, das ich je nach Zeit gewichte.
Ich habe etwas Übung. Ich habe innerhalb eines Monats seit dem letzten Training keine Veränderungen bemerkt, auch nicht, nachdem die Bitcoin stark verloren gegangen waren. Das Einzige, was sich darauf auswirkt, ist die Zeit direkt nach der manipulierten Vermögensbewegung, während dieser Zeit ist das Neuronennetz völlig verloren und redet Unsinn, je weiter weg von einem solchen Sturm, desto angemessener werden die Vorhersagen.
Die Praxis zeigt in der Regel, dass "Bäume nicht in den Himmel wachsen". Früher oder später wird das Eigenkapital/Guthaben eines jeden EA/Portfolios beträchtlich abnehmen und es muss etwas dagegen unternommen werden.
Es ist ziemlich beunruhigend, dass das Problem der Nicht-Stationarität in diesem Thread fast vollständig ignoriert wird. Aus irgendeinem Grund geht man davon aus, dass die in der Vergangenheit gefundenen Muster auch in der Zukunft funktionieren werden, und wenn sie nicht funktionieren, dann hat man zu viel gelernt. Es ist aber durchaus möglich, dass einige Muster im Laufe der Zeit einfach nicht mehr funktionieren - allmählich oder sogar sprunghaft (z. B. infolge einer Krise wie der aktuellen).
Das Problem, das ich sehe, ist, dass IO-Muster komplex sind und von Menschen schlecht interpretiert werden können. Wenn sie anfangen, schlecht abzuschneiden, ist es unmöglich, (innerhalb der Modelle) die Überlernvariante von der Nicht-Stationaritätsvariante zu unterscheiden. In der normalen Analyse ist es immer möglich zu sagen: "Trendwechsel", "Durchbruch des Niveaus/Kanals" usw.
Aber ich denke, wir sollten die "Physik" von Symbolen in Anführungszeichen berücksichtigen. Ihr Hauptmerkmal ist meines Erachtens die manchmal sehr schnelle und dramatische Veränderung der statistischen Merkmale einer Zeitreihe. In diesem Sinne wäre es sinnvoll, zunächst einen Klassifikator zu erstellen, der die Geschichte in Abschnitte mit ähnlichen statistischen Merkmalen sortiert und ihnen Nummern von z. B. 1 bis 20 gibt. Und dann für jeden dieser ähnlichen Markttypen einen eigenen TS zu schaffen. Aber ich weiß nicht wirklich, wie man Prädiktoren für eine solche Aufteilung von Zeitreihen in Abschnitte mit ähnlichen statistischen Merkmalen finden kann.
Imho natürlich, aber meiner Meinung nach sollten wir uns auf die "Physik" der Notierungen von Finanzinstrumenten verlassen. Ihr Hauptmerkmal ist meiner Meinung nach die manchmal sehr schnelle und drastische Veränderung der statistischen Merkmale einer Zeitreihe. In diesem Sinne wäre es sinnvoll, zunächst einen Klassifikator zu erstellen, der die Geschichte in Abschnitte mit ähnlichen statistischen Merkmalen sortiert und ihnen Nummern von z. B. 1 bis 20 gibt. Und dann für jeden dieser ähnlichen Markttypen einen eigenen TS zu schaffen. Aber wie man Prädiktoren für eine solche Aufteilung von Zeitreihen in Segmente mit ähnlichen statistischen Merkmalen ausdenken soll - das kann ich mir nicht wirklich vorstellen.
Ich bezeichne diese Gebiete gewöhnlich als "Marktstaaten". Jedem Staat kann ein Portfolio von primitiven Systemen zugeordnet werden. Ich nehme an, dass einige rekursive Netzwerke verwendet werden könnten, um den Markt in Zustände zu unterteilen und Portfolios mit diesen zu vergleichen.
Ich frage mich, wo ich eine Frau finde, die sich mit neuronaler Vernetzung auskennt. Ich war auf der Suche nach einem Mädel, das sich mit neuronalen Netzwerken auskennt, damit ich nach johnnshpokhan über solche Themen schimpfen kann. Ich denke, wir sollten in die Hauptstadt ziehen. Darauf scheinen sie sich alle zu konzentrieren.
Normalerweise muss man sich entscheiden zwischen normalem johnanshpohan oder endlosem Gerede über hochtrabende Dinge.
Jedem Zustand kann ein Portfolio von primitiven Systemen zugeordnet werden.
Nun gut, der Punkt ist, dass die Preisreihe nicht kontinuierlich ist, sondern stückweise kontinuierlich - je nach Wertigkeit entspricht dies normalerweise der Laufzeit der Sitzungen
Die Hoffnung, ein neuronales Netz zu trainieren, indem man ihm einfach eine Preisreihe unterschiebt, tendiert also gegen Null.
aber wenn wir die Preisreihe durch die Zeit der Sitzungen teilen und sie mit -session trainieren, dann verlieren wir die Information über überkauft.... Der Kreis ist also wieder geschlossen? - nichts funktioniert
Normalerweise muss man sich entscheiden zwischen normalem johnanshpohan oder endlosem Gerede über hochtrabende Dinge.
Nun gut, der Punkt ist, dass die Preisreihe nicht kontinuierlich ist, sondern stückweise kontinuierlich - je nach Wertigkeit entspricht sie normalerweise der Laufzeit der Sitzung
Die Hoffnung, ein neuronales Netz zu trainieren, indem man ihm einfach eine Preisreihe vorlegt, tendiert also gegen Null.
aber wenn wir die Preisreihe durch die Zeit der Sitzungen teilen und sie mit -session trainieren, dann verlieren wir die Information über überkauft.... Der Kreis ist also wieder geschlossen? - nichts funktioniert
Sie können die Schwankungen der Sitzungsvolatilität loswerden, indem Sie zu einem Zigzag oder Renko wechseln, richtig? Natürlich wird die natürliche Zeitstruktur darunter leiden, aber Sie können die normale Zeit als Indikator für jedes Knie/jeden Stein festlegen.
Die Schwankungen der Sitzungsvolatilität können durch den Wechsel zu einem Zigzag oder Renko eliminiert werden, richtig? Natürlich wird die natürliche Zeitstruktur darunter leiden, aber es ist möglich, die normale Zeit als Indikatorsatz für jedes Knie/jeden Stein einzuführen.
Nicht nur, dass ich die OHLC-Informationen komplett verliere, sondern ich erhalte auch eine Verzögerung von der 2-fachen Höhe des Renko-Bausteins - er verzögert sehr stark
Dasselbe gilt wahrscheinlich auch für ZigZag, aber ich habe mich nicht direkt damit beschäftigt.