Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 108
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
Como continuación de mi pequeña publicación https://www.mql5.com/ru/forum/86386/page98 sobre el análisis del espectro y la adaptación a los parámetros reales del mercado.
Hice un pequeño experimento, solo para reforzar la teoría con la práctica, la esencia del experimento es comprobar si el indicador será más efectivo si cada vez se cambia el periodo del indicador al que está objetivamente presente en el mercado
el indicador tomó el "RSI" (sólo fuera de suerte), las reglas de comercio son elementales más del 70% de venta, comprar menos del 30%, las inversiones comerciales estúpidos, sin paradas
Al principio tomé el indicador RSI habitual con un periodo de 14 (este periodo es el más común en todos los libros y artículos) sólo para compararlo con algo
el indicador no perdió, estoy honestamente sorprendido ....
ahora el RSI adaptativo
conclusiones: el enfoque adaptativo es mucho más afectivo que el habitual
1) Pero, de hecho, no existe tal cosa como la "formación" y el "entrenamiento". Todo tipo de comprobaciones cruzadas y OOS no dan ni pueden dar el efecto que se espera de ellas. La cuestión es que tales trucos no son más que la búsqueda y posterior elección de aquellos valores que aproximadamente funcionan de forma satisfactoria tanto en la zona de entrenamiento como en la de prueba, es decir, este conjunto de parámetros ya existe inicialmente entre todas sus posibles variantes, y equivale a elegir toda la zona de historia de una vez.
2) Sin embargo, utilizar dos modelos (en mi caso, dos rejillas) es, en mi opinión, lo mejor que se puede aplicar entre los métodos de "machine learning" disponibles actualmente. No es un entrenamiento ni una formación, es una forma de optimizar el modelo.
3) El aprendizaje real no existe actualmente. Reconocer patrones iguales o similares no es resultado del aprendizaje, sino del recuerdo. El aprendizaje debe implicar algún tipo de proceso de pensamiento (aunque sea primitivo) que permita razonar y sacar conclusiones al recibir nueva información, así como la capacidad de generar nueva información de forma independiente. El mercado requiere justamente un planteamiento de este tipo, un pensamiento que, por lo que sé, no existe en la actualidad. Y lo que utilizamos hoy es la memorización, no el pensamiento, por desgracia.
1) El pensamiento es profundo y correcto. Pero no completa.
TQ (crossvalid.) es el aprendizaje y la prueba de los mismos parámetros, en diferentes sitios de entrenamiento y prueba. Incluso con 10 faltas diferentes. Si la máquina está aprendiendo ruido, la métrica de calidad media será débil. El método en sí es muy fuerte.
Pero si los datos son ruidosos, puede haber un ajuste de CV, que es de lo que hablas, pero no terminas de pensar en términos técnicos, y te empantanas en el pesimismo. Hace tiempo que existe el CV anidado (nested CV). Todos los modelos seleccionados pueden validarse con datos únicos fuera de la muestra. Si hay consistencia en los resultados, el modelo es bueno, si no, malo. Todo tiene solución.
2) No está claro por qué es así.
3) Lo es. Pero el aprendizaje automático es una industria que se basa en la comprensión generalizada. Combatir el sobreaprendizaje es el 90% del esfuerzo.
Los "malotes de la máquina" lo tienen en cuenta. El tiempo se introduce en la entrada de la máquina. Además, el precio se comporta de forma diferente no sólo por la noche, sino también por sesiones.
"Los Manin Boys"... ¡Genial!
Es bueno que se tenga en cuenta, leyendo el hilo - no noté ninguna mención al respecto, pensé en compartir mis pensamientos. Es cierto, los signos característicos claros para identificar las sesiones individuales, no he encontrado, por lo que se aplica sólo la limitación en el reloj, de ahora en adelante.
2) No está claro por qué es así.
Como continuación de mi pequeña publicación https://www.mql5.com/ru/forum/86386/page98 sobre el análisis del espectro y la adaptación a los parámetros reales del mercado.
Hice un pequeño experimento, solo para reforzar la teoría con la práctica, la esencia del experimento es comprobar si el indicador será más efectivo si cada vez se cambia el periodo del indicador al que está objetivamente presente en el mercado
el indicador tomó el "RSI" (sólo por suerte), las reglas de comercio son elementales más del 70% de venta, comprar menos del 30%, las inversiones comerciales estúpidos, sin paradas
Primero tomé un indicador RSI normal con un periodo de 14 (este periodo es el más común en todos los libros y artículos) sólo para compararlo con algo
el indicador no perdió, estoy honestamente sorprendido ....
ahora el RSI adaptativo
Conclusión: el enfoque adaptativo es mucho más afectivo que el convencional
He seguido el enlace pero no he entendido cómo se cambia dinámicamente el periodo del indicador.
Por favor, explique con más detalle.
Como continuación de mi pequeña publicación https://www.mql5.com/ru/forum/86386/page98 sobre el análisis del espectro y la adaptación a los parámetros reales del mercado.
He hecho un pequeño experimento, sólo para probar la teoría con la práctica, la esencia del experimento es comprobar si el indicador será más eficaz, si se cambia el período de cada vez a la que está presente en el mercado
He seguido el enlace, pero no he entendido cómo se cambia dinámicamente el periodo del indicador.
Por favor, explique con más detalle.
Sobre la adaptación, todo está claro. ¿Y de dónde sacas el periodo "que ahora está objetivamente presente en el mercado"?
El beneficio es una disminución en el número de operaciones a lo largo del tiempo desde que se empezó a operar en OOS, no un aumento en el porcentaje de señales erróneas. Cada vez más a menudo hay contradicciones entre las redes, al mismo tiempo una dice vender y la otra dice comprar y esto es la señal 0, es decir, en lugar de operar con pérdidas en datos completamente desconocidos el modelo deja de operar.
la idea es interesante.
Ato.
En realidad, utilizo este efecto en los gráficos de validación como indicador de la corrección del entrenamiento, en lugar de la proporción de respuestas correctas/incorrectas (error). Se trata de una importante propiedad comercial y un indicador de la calidad del aprendizaje. Si un modelo da señales erróneas en OOS - esto es un indicador de una formación errónea, no el hecho de cambios en el mercado.