Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 83
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Todo, desde la navegación visual de los gráficos y la búsqueda de patrones en el desglosehasta el entrenamiento de redes neuronales, no es más que operar con estadísticas, las mismas que no funcionan en el mercado, ¿saben de lo que hablo?
el mercado se mueve en contra de las operaciones de la multitud ----- la multitud actúa en base a las estadísticas ------ todo lo que necesitas es predecir la acción de la multitud en el futuro y hacer lo contrario, la única manera de predecir es la estadística
Si por estadística entendemos herramientas, que funcionan SOLO en procesos aleatorios estacionarios, entonces dicha estadística no funciona, porque los mercados financieros son procesos no estacionarios, sobre los que los tan amados conceptos de "media", "correlación" y demás no tienen sentido.
Por otro lado, el aprendizaje automático no suele clasificarse como estadística, sino como inteligencia artificial.
Encuanto a la idea deMihail Marchukajtes también se me ocurrió unos días antes de que apareciera en este hilo, quizás a alguien le interese el resultado, creo que este planteamiento también es correcto e incluso viableHe notado algún patrón técnico por mucho tiempo, que de vez en cuando funciona, el patrón es de pura venta (pero dejo que la red compre solo por diversión), lo prescribo y cuando el precio llega a algún punto "X" en el patrón dejo que la red haga una compra/venta/descanso, la red no analiza todas las cotizaciones constantemente, sino que solo cuando se cumple alguna condición la red hará eso..
la red tiene un objetivo de tres grados, es decir, cuando se alcanza el punto "X", establece mentalmente stop losses y take profit para comprar y vender:
comprar - si se toma una compra para llevar y la parada no fue eliminada
Vender - si se toma el punto de venta y no se ha tomado el stop loss
resto - si se toma un stop loss tanto en la compra como en la venta y no se alcanza ninguna de las dos tomas
la toma fue 2 o 3 veces la parada, no recuerdo exactamente, creo que fue 3 veces
A pesar de que la red en la realidad negoció mucho peor que la validación, (en la validación el kol. de respuestas correctas fue del 63% y en el comercio real alrededor del 20%) pero sin embargo el algoritmo fue rentable
pero la mayoría de las veces
el patrón es corto por sí mismo y, por lo tanto, la compra aquí no está marcada por la precisión y la rentabilidad
¿Y si programamos 10 de estos patrones en lugar de uno? ¿Interesante? ;)
Si por estadística entendemos herramientas que funcionan SÓLO en procesos aleatorios estacionarios, entonces dicha estadística no funciona, porque los mercados financieros son procesos no estacionarios en los que los tan manidos conceptos de "media", "correlación" y demás carecen de sentido.
Por otro lado, el aprendizaje automático no suele clasificarse como estadística, sino como inteligencia artificial.
Cualquier cosa que sea utilizada por la gran mayoría, si he entendido bien el comentario, encajaría en las estadísticas.
Y voy a añadir un poco más a la carrera:
Escribes sobre la no estacionariedad y los mercados, el aprendizaje automático, pero sabes que hay herramientas generalmente aceptadas para predecir procesos no estacionarios y no hay muchas, estas son "MGUA" Modelos ocultos de Markov y redes neuronales recurrentes (puede que se equivoque de red, puede que sólo sea para BP)
Las redes neuronales, los Forrests de todo tipo, etc. NO están diseñados para datos no estacionarios, ¿por qué todos, incluido yo, usamos herramientas que no son para su propósito? Pregunta)
El 100% para un árbol es un absoluto disparate.
Si todos los predictores son ruido, este resultado es muy difícil de conseguir: seguirá habiendo un error del 3%-5%. El ruido siempre da muy buenos resultados con toda la validación cruzada y otros trucos.
Una precisión del 100% significa lo único: que entre los predictores hay un duplicado de la variable objetivo (alguna modificación de la misma). Es decir, el modelo mira hacia el futuro.
Recuerdo el ejemplo de sus datos de ALL_cod.RData, el conjunto de datos TF1 o algo así, con la primera variable objetivo bosque incluso con un pequeño número de árboles dio casi el 100% de resultado. Y al aumentar el número de árboles en el bosque, la precisión creció incluso hasta el 100% absoluto. El bosque puede memorizar todos los ejemplos de entrenamiento, si sus parámetros son lo suficientemente grandes para ello.
En mytarmailS es al revés, el bosque con un pequeño número de parámetros da un buen resultado, pero con el aumento del número de árboles la precisión disminuye. No utiliza la validación cruzada, así que estamos hablando de los propios datos de entrenamiento. No funciona así. La precisión de un bosque en los datos de entrenamiento sólo se reducirá a medida que disminuyan sus parámetros, y no al revés. ¿Es posible?
Con mytarmailS es al revés, un bosque con un pequeño número de parámetros da buenos resultados, pero con más árboles la precisión baja.
Una pesada campana
Y en el mismo borde de la misma
Una mariposa dormitando. ("hoku" en japonés).
Mirando la rama desde el auditorio, no puedo averiguar si la necesito.
Por un lado, está el aprendizaje automático, la inteligencia artificial, las redes neuronales; por otro lado, según entiendo, la cuestión principal es cómo identificar y combinar los precedentes (regularidades) y los predictores (pronósticos). Por otro lado, el mercado es una sustancia, el número de factores es infinito, ¿es posible dividirlos en mayores y menores?
Unas cuantas instantáneas. 2011г. Japón. Fukushima. El tsunami provocó un accidente en una central nuclear. No importa la causa del tsunami: un terremoto o el aleteo de una mariposa, según la teoría del caos. Lo importante es que no se puede predecir y conocer el impacto en el mercado. Parece que el accidente, la evacuación, la radiación, y ahora salir de la isla. Pero no. El accidente ocurrió el 11 de marzo, y el 16 de marzo el índice Nikkei muestra un crecimiento sin precedentes. Resulta que los japoneses no huyeron como ratas de un barco que se hunde, sino que, por el contrario, comenzaron a devolver el capital a su país para ayudar a la reconstrucción.
Hace un año. Alemania. Wolfsburgo. La fábrica "WV" y la ciudad fueron construidas por orden de Hitler para la creación del coche del pueblo alemán. Aquí, el programador ha actuado como una mariposa, habiendo programado la ausencia de emisiones nocivas de los motores diesel sólo durante las pruebas en el banco de ensayos. Escándalo. Las acciones de WV han bajado. El DAX está destrozado.
Nuestros días. Otra vez Japón. Las acciones de Nintendo se disparan. La capitalización supera, por ejemplo, las exportaciones de armas de Estados Unidos. ¿Quién iba a pensar que algo como "Pocemon Go" se haría tan popular?
En este hilo se habla de sistemas basados en datos semanales, mensuales e incluso anuales. Está buscando algún tipo de señal estable de forex. Lo encuentro desconcertante. Durante el día algunas mariposas, estadísticas, declaraciones pueden "reeducar" al mercado al menor capricho. Construir un sistema estable que funcione al menos una semana es tan probable como montar Boeing con las piezas encontradas en un contenedor.
Campana pesada
Recuerdo un ejemplo en sus datos de ALL_cod.RData, dataset TF1 o algo así, con la primera variable objetivo el bosque incluso con un pequeño número de árboles dio casi el 100% de resultado. Y al aumentar el número de árboles en el bosque, la precisión creció incluso hasta el 100% absoluto. El bosque puede memorizar todos los ejemplos de entrenamiento, si sus parámetros son lo suficientemente grandes para ello.
En mytarmailS es al revés, el bosque con un pequeño número de parámetros da un buen resultado, pero con el aumento del número de árboles la precisión disminuye. No utiliza la validación cruzada, así que estamos hablando de los propios datos de entrenamiento. No funciona así. La precisión de un bosque en los datos de entrenamiento sólo se reducirá a medida que disminuyan sus parámetros, y no al revés. ¿Es posible?
¿Cuál es el objetivo del post? No lo entiendo.
Una pesada campana
Y en el mismo borde de la misma
Una mariposa dormitando. ("hoku" en japonés).
Observando la rama desde el auditorio, no puedo averiguar si la necesito.
Por un lado, está el aprendizaje automático, la inteligencia artificial, las redes neuronales; por otro lado, según entiendo, la cuestión principal es cómo identificar y combinar los precedentes (regularidades) y los predictores (pronósticos). Por otro lado, el mercado es una sustancia, el número de factores es infinito, ¿es posible dividirlos en mayores y menores?
Unas cuantas instantáneas. 2011г. Japón. Fukushima. El tsunami provocó un accidente en una central nuclear. No importa la causa del tsunami: un terremoto o el aleteo de una mariposa, según la teoría del caos. Lo importante es que no se puede predecir y conocer el impacto en el mercado. Parece que es un accidente, la evacuación de las personas, la radiación, y podemos salir de la isla. Pero no. El accidente ocurrió el 11 de marzo, y el 16 de marzo el índice Nikkei muestra un crecimiento sin precedentes. Resulta que los japoneses no huyeron como ratas de un barco que se hunde, sino que, por el contrario, comenzaron a devolver el capital a su país para ayudar a la reconstrucción.
Hace un año. Alemania. Wolfsburgo. La fábrica "WV" y la ciudad fueron construidas por orden de Hitler para la creación del coche del pueblo alemán. Aquí, el programador ha actuado como una mariposa, habiendo programado la ausencia de emisiones nocivas de los motores diesel sólo durante las pruebas del banco de ensayo. Escándalo. Las acciones de WV han bajado. El DAX está destrozado.
Nuestros días. Otra vez Japón. Las acciones de Nintendo se disparan. La capitalización supera, por ejemplo, las exportaciones de armas de Estados Unidos. ¿Quién iba a pensar que algo como "Pocemon Go" se haría tan popular?
En este hilo se habla de sistemas basados en datos semanales, mensuales e incluso anuales. Está buscando algún tipo de señal estable de forex. Lo encuentro desconcertante. Durante el día algunas mariposas, estadísticas, declaraciones pueden "reeducar" al mercado al menor capricho. Construir un sistema estable que funcione al menos una semana, es tan probable como ensamblar Boeing con piezas encontradas en un contenedor.
Su falta de comprensión es fundamental para el tema.
1. Todo lo que escribes es absolutamente correcto para previsiones como extrapolaciones que, a su vez, funcionan para series temporales estacionarias. Pones ejemplos reales que muestran la no estacionariedad de las series financieras y aquí tienes toda la razón. Además, las noticias no son la única causa de la no estacionalidad.
2. La discusión aquí es sobre las previsiones basadas en una clasificación que no tiene en cuenta el estado anterior al pronosticar la siguiente barra. Las predicciones (pronósticos) basadas en la clasificación son predicciones basadas en patrones. Si hubo noticias en el pasado que provocaron cambios, que NO se derivan de valores anteriores (no extrapolados), la clasificación detectará dicho cambio como tal y si hay un cambio similar en el futuro (no exactamente igual, pero sí parecido), se reconocerá y se hará una previsión correcta.
Por lo tanto, al clasificar el pokemon no da miedo.