Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2594
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
Erneut Kritik an Gott
Es ist genauso in der Stirn wie im Kopf.
Sie machen einen Punkt, nicht diesen Mist - es wird funktionieren, denn es wird nicht funktionieren
Ich sehe, auch die Fantasie ist völlig abwesend. Die OP wird nicht alle Modellvarianten abdecken, Sie werden wählen müssen und das hat sie selbst optimiert und bei der besten Variante aufgehört. Kurz gesagt, gehen Sie in die Fabrik. Man nimmt sich manches vor, ohne auch nur annähernd zu wissen, womit man es zu tun hat. Und im Falle von Boosting ist es unmöglich, ein OP zu erstellen, da die Anzahl der Parameter bei jeder Iteration steigt.
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).
Ich wollte schreiben, dass je mehr Daten, desto besser, aber dann erinnerte ich mich an eines meiner kleinen Experimente (obwohl es ohne ausreichende Repräsentativität durchgeführt wurde, so dass das Ergebnis durchaus zufällig sein kann, aber trotzdem). Es gibt nämlich 2 Märkte - nach meiner subjektiven Einschätzung ist der eine effizienter, der andere weniger effizient. Das auf dem effizienteren Markt trainierte Modell lieferte in diesem Markt schlechtere OOS-Ergebnisse als das auf dem weniger effizienten Markt trainierte Modell im selben Gebiet.
Oft funktionieren Modelle nicht mehr, unabhängig von der Größe des Tabletts. Ich habe an Proben unterschiedlicher Länge geübt, die alle an einem bestimmten Punkt der Vorgeschichte aufhören zu funktionieren. Daran können Sie erkennen, dass einige Muster fehlen oder sich verändern.
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 ich habe nicht genug Daten.
Oftmals hören Modelle unabhängig von der Größe des Tabletts irgendwann auf zu funktionieren. Ich habe sie an Proben unterschiedlicher Länge geübt, die alle an einem bestimmten Punkt in der Vergangenheit aufhören zu funktionieren. Daran können Sie erkennen, dass einige Muster fehlen oder sich verändern.
Was den Lärm angeht, ja. Ich habe allerdings noch nicht darüber nachgedacht, ob ich Abschnitte der Geschichte mit oder ohne Lärm aufnehmen soll. Übrigens, wie kann man das verstehen, bevor man das Modell trainiert? Wie, iterativ? Ich habe alle Sektoren trainiert, geschaut, wo er am besten abschneidet, diese Sektoren verlassen und nur diese Sektoren zuerst trainiert? 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 von verrauschten Daten zu lernen, oder von saubereren Daten zu lernen, aber nicht einmal verrauschte Daten zu sehen.
Und was ist falsch an Riesengrößen? Abgesehen von der erhöhten Rechenzeit?