Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2563

 
Maxim Dmitrievsky #:

entonces debe ser más específico.

Estoy pensando en escribir un artículo explicando con más detalle lo que estoy haciendo.

Quería debatir enfoques similares aquí, pero resultó que no había interés.

En resumen, esto es lo que hago por etapas:

1. Por medio de CatBoost guardo diferentes tipos de tablas cuánticas con diferente número de "quanta" (predesplazamientos forzados).

2. Analizo cada quantum mediante el script para comprobar la estabilidad y la capacidad de predicción del indicador.

2.1 Superación del umbral de integridad y precisión de toda la muestra.

2.2 Evaluación de la estabilidad de la desviación del indicador objetivo del predictor con respecto al indicador objetivo en la zona de la muestra - Tomo 7 puntos y los tamizo por RMS.

3. Selecciono los mejores cuantos de todas las tablas para cada predictor teniendo en cuenta que no se solapen en el espacio del rango para el que se realizó la cuantificación.

4. Creo una nueva muestra (dos tipos combinados entre todos los cuantos y ninguno) donde el predictor de los cuantos tiene una señal de 0 o 1.

5. Excluyo los predictores que tienen una señal similar en la muestra.

6. Enseñar el modelo.

Si después del punto 5 hacemos también una comprobación de robustez en la muestra de pruebas y exámenes, y seleccionamos sólo los predictores que han mostrado un resultado satisfactorio, los resultados del entrenamiento mejoran considerablemente. Esto es una especie de trampa, pero si vale la pena usarla o no es cuestión de experimentar. Mi hipótesis es que cuanto más tiempo se mantengan estables los indicadores, más probable será que sigan siéndolo.

Si tienes dudas sobre alguna etapa en particular, pregunta, intentaré dar más información.

P.D. También puede guardar la tabla de cuantiles muestreada, excluir los predictores ineficientes y entrenar en una muestra regular - esto también mejorará el aprendizaje.
 
Aleksey Vyazmikin #:

Estoy pensando en escribir un artículo explicando con más detalle lo que estoy haciendo.

Quería debatir enfoques similares aquí, pero resultó que no había interés.

En resumen, esto es lo que hago por etapas:

1. Por medio de CatBoost guardo diferentes tipos de tablas cuánticas con diferente número de "quanta" (pre-desdoblamientos forzados).

2. Analizo cada quantum mediante el script para comprobar la estabilidad y la capacidad de predicción del indicador.

2.1 Superación del umbral de integridad y precisión de toda la muestra.

2.2 Evaluación de la estabilidad de la desviación del indicador objetivo del predictor con respecto al indicador objetivo en la zona de la muestra - Tomo 7 puntos y los tamizo por RMS.

3. Selecciono los mejores cuantos de todas las tablas para cada predictor teniendo en cuenta que no se solapen en el espacio del rango para el que se realizó la cuantificación.

4. Creo una nueva muestra (dos tipos combinados entre todos los cuantos y ninguno) donde el predictor de los cuantos tiene una señal de 0 o 1.

5. Excluyo los predictores que tienen una señal similar en la muestra.

6. Enseñar el modelo.

Si después del punto 5 hacemos también una comprobación de robustez en la muestra de pruebas y exámenes, y seleccionamos sólo los predictores que han mostrado un resultado satisfactorio, los resultados del entrenamiento mejoran considerablemente. Esto es una especie de trampa, pero si vale la pena usarla o no es cuestión de experimentar. Mi hipótesis es que cuanto más tiempo se mantengan estables los indicadores, más probable será que sigan siéndolo.

Si hay preguntas sobre un paso en particular - preguntar, voy a tratar de dar más información.

P.D. También puede guardar la tabla de cuantiles muestreada, excluir los predictores ineficientes y entrenar en una muestra regular - esto también mejorará el aprendizaje.

¿Qué son las tablas cuánticas? ¿Tablas de partición de árboles? Nunca he hecho algo así

mejor un artículo con ejemplos
 
Maxim Dmitrievsky #:

¿Qué son las tablas quantum? ¿Tablas de partición en árbol? Nunca he hecho una

mejor artículo con ejemplos

Las tablas cuánticas dividen un predictor en límites/rangos, que luego intervienen en el aprendizaje. Sí, ya escribí sobre ello muchas veces.

 
Aleksey Vyazmikin #:

Las tablas cuánticas son una partición del predictor en límites/rangos, que luego intervienen en el aprendizaje. Sí, ya escribí sobre ello muchas veces.

Oh, ya veo. Parece que la cuantificación de chips se utiliza sólo para acelerar el aprendizaje. ¿O es difícil? Sólo soy partidario del enfoque clásico más algunas de mis propias perversiones.
 
Vladimir Baskakov #:
Todavía no han mostrado nada útil, sólo parloteo. Nerds

Sigue observando.

 
Aleksey Vyazmikin #:

Las tablas cuánticas son una partición del predictor en límites/rangos, que luego intervienen en el aprendizaje. Sí, ya he escrito sobre esto muchas veces.

La cuestión es qué cuantificamos, cómo y con qué propósito.

 
Aleksey Nikolayev #:

Se trata de lo que cuantificamos, cómo lo cuantificamos y con qué propósito.

Una vez probé la cuantificación por medio de gráficos de monotonicidad de la equidad, cuando se utiliza un predictor en lugar del tiempo. No vi nada especialmente bueno.

 
¿Ha intentado alguien aplicar la paradoja de Montichol al comercio y a la toma de decisiones?
 
Maxim Dmitrievsky #:
Ah, lo tengo. Parece que la función de cuantificación sólo se utiliza para acelerar el aprendizaje. ¿O es difícil? Sólo soy partidario del enfoque clásico, más un poco de mis propias perversiones.

La aceleración del aprendizaje es una de las ventajas, pero también está el efecto de la agregación de estados de predicción similares. A grandes rasgos, trato una sección de partición como un predictor binario separado, que elimina el ruido del predictor básico.

Además del efecto de la mejora del aprendizaje, consigo reducir el número de árboles en el modelo que dan resultados similares, y así reducir el ruido en el modelo.

Estoy experimentando con tablas de marcos rígidos, esto es cuando la partición no se basa en datos, sino en criterios dados, por ejemplo niveles de Fibonacci...

 
Aleksey Nikolayev #:

Se trata de la cuántica, el cómo y el para qué.

Eso es lo que escribí: que el propósito es identificar un patrón consistente que dé una ventaja estadística en un área particular. Y cuantificamos los predictores, cualquier predictor.

Y "cómo" hacerlo es una pregunta abierta - hasta ahora sólo una búsqueda de tablas pre-hechas hechas en suposiciones empíricas o algoritmo de partición estadística CatBoost.

En la figura 3 "quanta" - lo más probable es que se haya escogido el rango medio, que tiene alguna ventaja estadística.