Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 316
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
http://radikal.ru/video/6X0MyhuW8Bp
Interessantes Video. Was soll das bringen?
Was soll das bringen?
Im Clustering.
Maschinelles Lernen kann ganz grob als Clustering bezeichnet werden. Es gibt einen bestimmten Hyperraum von Prädiktoren und die Notwendigkeit, ihn in mehrere Unterräume zu unterteilen, wobei ein Punkt, der zu einem bestimmten Unterraum (einer Klasse) gehört, für den Forex-Handel die Aktion "Kaufen", "Verkaufen", "Aussteigen" bedeutet - im Falle von 3 Klassen.
Das Video demonstriert anschaulich das lehrerlose Lernen an zwei Prädiktoren (X und Y) und die Art und Weise, wie das automatische Clustering die Grenzen der Teilräume in Abhängigkeit von der Datenmenge verändert. In Bezug auf Forex zeigt dies metaphorisch die Dauer des Backtests und wie seine (Dauer-)Veränderung das Clustering-Ergebnis beeinflusst. Ein Modell, das mit Daten aus einer Woche trainiert wurde, sieht und weiß viel weniger als ein Modell, das mit Daten aus zwei, drei usw. Wochen trainiert wurde.
Der zweite Teil des Videos zeigt, wie der Experte die Clustering-Ergebnisse bewertet und Anpassungen am Modell vornimmt. Der Experte stellt fest, dass die erhaltenen 3 Klassen nicht ausreichen und er mindestens 6 Klassen erkennen kann, und passt die Modellparameter entsprechend seiner Erfahrung so an, dass das Modell genau diese 6 Klassen aufnimmt.
Dies ist eine allgemeine Idee. Meiner Meinung nach ist dieser Schritt im Forex unmöglich, weil es Dutzende von Prädiktoren gibt und es schwierig ist, mehr als drei Dimensionen zu erkennen. So wie ich es verstehe, beinhaltet dieser Schritt die Erfahrung nicht in der manuellen Korrektur, sondern in der automatischen Korrektur, wenn die Änderung der Modellparameter von einer Handelssimulation begleitet wird, bei der das Kriterium der gut gewählten Parameter ein guter Handel ist.
Maschinelles Lernen kann ganz grob als Clustering bezeichnet werden. Es gibt einen bestimmten Hyperraum von Prädiktoren und die Notwendigkeit, ihn in mehrere Unterräume zu unterteilen....
Und wer kontrolliert die Codequalität dieser Netze?
https://www.mql5.com/ru/forum/190948
Ja, entweder dies oder das, aber nicht gleichzeitig.
Man braucht mindestens drei Leute - Manager, Händler und Softwareentwickler, ein zusammenhängendes Team, der Manager sollte Teambildung praktizieren, der Händler sollte durchschnittlich sein, und der Entwickler sollte überall Design-Peters verwenden, und selbst wenn man Pair Programming praktiziert, dann wird es funktionieren.Außerdem wird ein Archivar benötigt. Und ganz nebenbei...
Nach meinen Experimenten am Eurusd mit verschiedenen Mustern scheint es mir, dass der Preis stark reguliert ist, um den Brokern und Banken mehr Gewinn zu bringen.
Eine typische Situation: Wir trainieren ein Modell auf der Grundlage von Daten aus einigen Wochen, und dann erhalten wir bei neuen Daten nur 50 % gewinnbringende Geschäfte (tatsächlich zufällig) und einen langsamen Verlust im Spread.
Aber wenn wir mit Modellen experimentieren und versuchen, nach Mustern zu suchen, werden wir eine etwas andere Situation sehen - einige Muster sind für einige Wochen profitabel, dann fallen sie plötzlich auf 50% Erfolg, d.h. zufällig. Aber ein oder zwei Monate später funktionieren sie wieder, aber man muss gegen ihre Vorhersage handeln. Und nach ein paar Wochen sinkt ihre Vorhersage wieder auf 50 % Zufall. Und irgendwann in der Zukunft werden sie wieder rentabel sein. Etc.
Aus all dem ziehe ich die folgende Schlussfolgerung: Die Banken legen die Preise nach ihren Programmen, ihren Algorithmen fest. Diese Programme ändern sie regelmäßig, verwenden verschiedene Kombinationen von ihnen, ändern die Preise in die entgegengesetzte Richtung als ihr Programm vorschlägt, usw., alles, um eine neue Situation auf dem Markt zu schaffen. Andernfalls wären ihre Algorithmen ausgeforscht und gegen sie verwendet worden.
Und gleichzeitig versuchen Menschen mit Hilfe der Thermoanalyse oder des maschinellen Lernens, die Muster zu finden, die schon seit langem bestehen. Und die Muster ändern sich mit einem Fingerschnippen oder widersprechen sich selbst - kein Wunder, dass der Handel so schwierig ist.
Die Arbeitsmodelle müssen all das berücksichtigen - und die Tatsache, dass die Muster nur in bestimmten Zeitabschnitten funktionieren, manchmal auch in die entgegengesetzte Richtung, und sie müssen in der Lage sein, aus der aktuellen Situation zu erkennen, welche Muster zu verwenden sind.
Alles ist sinnlos?
Ich sehe, dass sich auch hier allmählich, wenn auch langsam und mühsam, die Einsicht durchsetzt, dass
der Markt ist ein kontrolliertes dynamisches System.
Die Erkenntnis dieser Tatsache zwingt uns jedoch dazu, die Art und Weise, wie wir sie betrachten und beschreiben, zu überdenken.
Dann kommt die Einsicht, dass statistische Methoden nicht geeignet sind, ein adäquates Modell des Marktes zu konstruieren, und dass sie nur dazu geeignet sind, über Schwänze zu "reden". Dünnere Schwänze oder dickere Schwänze.
;)
Nach meinen Experimenten am Eurusd mit verschiedenen Mustern scheint es mir, dass der Preis stark reguliert ist, um den Brokern und Banken mehr Gewinn zu bringen.
Eine typische Situation: Wir trainieren ein Modell auf der Grundlage von Daten aus einigen Wochen, und dann erhalten wir bei neuen Daten nur 50 % gewinnbringende Geschäfte (tatsächlich zufällig) und einen langsamen Verlust im Spread.
Aber wenn wir mit Modellen experimentieren und versuchen, nach Mustern zu suchen, werden wir eine etwas andere Situation sehen - einige Muster sind für einige Wochen profitabel, dann fallen sie plötzlich auf 50% Erfolg, d.h. zufällig. Aber ein oder zwei Monate später funktionieren sie wieder, aber man muss gegen ihre Vorhersage handeln. Und nach ein paar Wochen sinkt ihre Vorhersage wieder auf 50 % Zufall. Und irgendwann in der Zukunft werden sie wieder rentabel sein. Etc.
Aus all dem ziehe ich die folgende Schlussfolgerung: Die Banken legen die Preise nach ihren Programmen, ihren Algorithmen fest. Diese Programme ändern sie regelmäßig, verwenden verschiedene Kombinationen von ihnen, ändern die Preise in die entgegengesetzte Richtung als ihr Programm vorschlägt, usw., alles, um eine neue Situation auf dem Markt zu schaffen. Andernfalls wären ihre Algorithmen ausgeforscht und gegen sie verwendet worden.
Gleichzeitig wird mit Hilfe der Thermoanalyse oder des maschinellen Lernens versucht, nach Mustern zu suchen, die schon seit langem bestehen. Und die Muster ändern sich mit einem Fingerschnippen, oder sie widersprechen sich, kein Wunder, dass der Handel so schwierig ist.
Die Arbeitsmodelle müssen all das berücksichtigen - und die Tatsache, dass die Muster nur in bestimmten Zeitabschnitten funktionieren, manchmal auch in die entgegengesetzte Richtung, und sie müssen in der Lage sein, aus der aktuellen Situation zu erkennen, welche Muster zu verwenden sind.
Alles ist sinnlos?
Solche Gedanken hätte ich von einem vernünftigen Menschen nicht erwartet :)
Occam's Razor: "Schaffe keine unnötigen Einheiten".