Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2605

[mytarmailS]

Maxim Dmitrievsky #:

Se rumorea que el baile de la pandereta ya no está de moda

Se dice que si no tienes nada que decir, es mejor que no digas nada.

[Доктор]

Aleksey Nikolayev #:

Aunque tengas razón, es un problema de la premisa, no de la construcción. Pero supongo que hay una trampa en sus estrategias. Por ejemplo, los beneficios no son muy superiores a los intereses de los depósitos o su volatilidad es demasiado alta. De lo contrario, uno esperaría encontrar y reunir muchas de esas estrategias en una cartera de mayor capacidad.

El porcentaje de beneficios es de tres dígitos, la volatilidad es mínima. Pero no es escalable, y la cartera sólo puede armarse aumentando el número de instrumentos (mercados).La estrategia no es mía).

[Aleksey Nikolayev]

Doctor #:

El porcentaje de beneficios es de tres dígitos, la volatilidad es mínima. Pero no escala, y la cartera sólo puede construirse aumentando el número de instrumentos (mercados).La estrategia no es mía )).

Creo incondicionalmente en todo lo que está escrito allí. Sólo lamento que no haya resultados de los dos últimos años)

[Доктор]

Aleksey Nikolayev #:

Creo incondicionalmente en todo lo que está escrito allí. Sólo lamento que no haya resultados de los dos últimos años)

El autor es ampliamente conocido en los círculos estrechos. Cuando se le pregunta "¿habrá resultados para el año 20XX?", suele responder que no tiene sentido escribir, ya que el resultado es el mismo de un año a otro. Última entrada en el recurso con fecha 29.03.2021

[Renat Akhtyamov]

Doctor #:

El autor es ampliamente conocido en círculos estrechos. Cuando se le pregunta "¿habrá resultados para 20XX?", suele responder que no tiene sentido escribir, ya que el resultado es el mismo de un año a otro. La última entrada en el recurso está fechada el 29.03.2021

filtrado....

[Renat Akhtyamov]

Aleksey Nikolayev #:

1) Creo que es obvio que no hay ni puede haber forma de probar que un patrón establecido en la historia funcione necesariamente en el futuro.

2) La existencia de un método que establezca un patrón determinista (no aleatorio) para el futuro basado en datos del pasado sería una negación de (1)

Sólo tenemos la validación cruzada, que sólo puede establecer la homogeneidad de un patrón en la historia. Sólo podemos interpolar el patrón, no extrapolarlo. Sólo tenemos una PROPOSICIÓN muy débil de que un patrón bien interpolado resultará bien extrapolado. No se trata de una inferencia deductiva, sino meramente inductiva, una variante de la inferencia por analogía.

Las regularidades surgirán si el sistema se escribe, no se filosofa.

Una vez más te diré

escribir el sistema con la mentalidad de no hundirse, de no ganar dinero.

---

para no ser insustancial, entenderá/detectará/verá las reacciones del kotier a ciertas acciones del sistema

normalmente son:

- BPA

- cisne negro

- tendencia

- plano

- horquillas y colas largas

Todas estas regularidades no están relacionadas de ninguna manera con las causas generalmente aceptadas por los teóricos

la teoría que necesita y saber lo suficiente para construir un sistema de comercioaquí

[Aleksey Nikolayev]

Doctor #:

El autor es ampliamente conocido en círculos estrechos. Cuando se le pregunta "¿habrá resultados para 20XX?", suele responder que no tiene sentido escribir, ya que el resultado es el mismo de un año a otro. La última entrada en el recurso está fechada el 29.03.2021.

No me malinterpretes... no es que cuestione lo que ha escrito esta persona en particular o la recomendación que le has dado. Lo que ocurre es que este foro, como muchos otros, está lleno de afirmaciones de forma similar a "¡Tenemos este tipo de dispositivos, pero no se los vamos a contar!". Aquí arriba hay un buen ejemplo) Si creemos en un caso, ¿cuál puede ser la razón para negarnos a creer en otros similares? Pero es absolutamente imposible construir algo significativo sobre este terreno tan inestable. Así que prefiero basarme enafirmaciones más débiles, pero significativas y al menos verificables de alguna manera.

[mytarmailS]

Aleksey Nikolayev #:

Creo incondicionalmente en todo lo que está escrito allí. Sólo lamento que no haya resultados de los dos últimos años)

Ahahahh 5 c ±.

Aleksey, ¿comercias en general o te dedicas a la búsqueda?

[Aleksey Nikolayev]

mytarmailS #:
Ahahah 5s ±

Alexey, ¿estás comerciando o estás buscando uno?

Estoy tratando de hacer ambas cosas, pero hasta ahora me estoy inclinando marcadamente hacia la teoría.

[Maxim Dmitrievsky]

Hay una pregunta así:

Se utilizan dos modelos. Uno predice que hay que comprar o vender, el otro que hay que negociar o no.

Primero se entrena el primer modelo, luego miramos dónde predice mal, marcamos estos ejemplos como "no comerciar", los otros buenos como "comerciar", y luego entrenamos el segundo modelo.

El primer modelo se prueba no sólo en la zona de entrenamiento sino también en la zona adicional y el segundo modelo se entrena en ambas zonas.

Repetimos esto varias veces, reentrenando ambos modelos en el mismo conjunto de datos. Los resultados mejoran gradualmente en las muestras. Pero no siempre en la muestra de control.

Paralelamente, mantenemos un registro de malas operaciones acumulado para todos los pases, todos los tratos "malos" para "no comerciar" se recogen en él para el entrenamiento del segundo modelo y se filtran de acuerdo con un cierto principio como el de que cuantas más copias de malos tratos para todos los pases, más posibilidades de marcarlos como "no comerciar"

to_mark = BAD_SAMPLES_BOOK.value_counts()
mean = to_mark.mean()
marked_idx = to_mark[to_mark > mean*bad_samples_fraction].index
pr2.loc[pr2.index.isin(marked_idx), 'meta_labels'] = 0.0

Por ejemplo, para cada fecha se acumula una cantidad de operaciones malas para todas las iteraciones de entrenamiento, cuando esta cantidad supera un umbral (media, promedio), esas operaciones se marcan como "no operar". El resto de operaciones se saltan, de lo contrario sería posible excluir todas las operaciones si hay muchas iteraciones de entrenamiento.

bad_samples_fraction

El coeficiente permite ajustar el número de operaciones en la salida, cuanto más bajo sea, más operaciones se filtrarán

... a estas alturas ya estoy cansado de escribir...

¿Cómo se puede mejorar esa combinación de modelos para que mejore sus resultados en una nueva parcela independiente?
¿Existe alguna filosofía que explique por qué esto puede funcionar? Aparte de que los modelos se mejoran naturalmente (el error disminuye) en cada ronda de reentrenamiento, pero ¿cómo deshacerse del ajuste?

Ilustración. El gráfico está dividido en 3 partes. El último entrena el primer modelo, el penúltimo y último el segundo, el primer tercio es una muestra de examen. Naturalmente, el último tramo será el mejor y el primer tercio el peor.

Aquí hubo 15 iteraciones de reentrenamiento de ambos modelos, utilizando el registro de operaciones malas.

Iteration: 0, R^2: 0.025863859193577587
Iteration: 1, R^2: 0.20881945768090338
Iteration: 2, R^2: 0.38691567117849557
Iteration: 3, R^2: 0.8538667616323108
Iteration: 4, R^2: 0.6289257079331403
Iteration: 5, R^2: 0.49590724745042913
Iteration: 6, R^2: 0.6899198178561211
Iteration: 7, R^2: 0.7914478307518835
Iteration: 8, R^2: 0.6271633947453318
Iteration: 9, R^2: 0.5022724259087565
Iteration: 10, R^2: 0.8568310685006555
Iteration: 11, R^2: 0.042448644454852524
Iteration: 12, R^2: -0.17980715185584073
Iteration: 13, R^2: 0.8294648122002825
Iteration: 14, R^2: 0.7615234602466088