Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2837
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
Usted lo ha visto un millón de veces, cuando se optimiza un Asesor Experto en un intervalo - se obtiene un conjunto de parámetros con un conjunto de resultados óptimos. Si usted toma otro intervalo, a menudo sólo aumentarlo, se obtiene otro conjunto de parámetros con resultados diferentes, y usted puede obtener una pérdida. ¿Qué? ¿Ninguno de ustedes ha visto esto? Y no tiene nada que ver con el algoritmo de optimización. Usted puede genética, puede completar el sobremuestreo, lo que puede mejorar la genética, pero fuera de la muestra de optimización el resultado será uno, muy probablemente triste.
este es un ejemplo de cómo hacer innecesaria))) tan equivocada idea de lo que los extremos que estamos hablando.
el anterior es un ejemplo con respuestas cuadriculadas. reduzca el problema de optimización no a la respuesta resumida "saldo máximo", sino por ejemplo a la desviación cuadrática de la diferencia directa de saldos en cada operación. este es un ejemplo de cómo convertir el problema original en una derivada. el resultado será una función suave, no discreta en términos de saldo. el saldo final que tendrá es como 10 en mi ejemplo.
Así es, de manera general. No todos los algoritmos son capaces de encontrar un camino "seguro". tanto las propiedades de búsqueda como la convergencia y la velocidad de convergencia son importantes.
En el caso más sencillo, se tratará de una curva en espiral alrededor de la montaña que asciende hasta la cima. es obvio que, dado que la montaña no es lisa, existen al menos varias variantes de construcción de la carretera - se trata de una meseta de soluciones que satisfacen determinados criterios, y no de una meseta en forma de área en algún lugar de la superficie de la montaña. una meseta en la montaña no es una solución óptima. una meseta de soluciones es una solución óptima.
por cierto, tester tiene un criterio de optimización complejo, es una función más suave que sólo el equilibrio, el factor de beneficio y otros criterios por separado. todavía se puede hacer un criterio personalizado, tratando de hacer la función de optimización más suave.
https://habr.com/ru/post/318970/
algoritmos específicos para el aprendizaje de redes son diferentes de los algoritmos de propósito general, más interesante será hacer pruebas comparativas de ambosUna vez más: los extremos no tienen ningún valor: un punto inestable, que además no existe, ya que se trata de procesos aleatorios, y no estacionarios.
Hay que buscar una meseta, incluso la que se muestra en la figura, siempre que sea rentable, aunque esté por encima del mínimo local y global. Dicha meseta mostrará teóricamente el límite superior de rentabilidad de la ST. Y los extremos encontrados no son nada - definitivamente no están en el futuro, pero hay esperanza de una meseta
Esto esexactamente lo que estoy tratando de realizar, sólo que a un nivel más técnico....
En lugar de una meseta tengo una señal real, en lugar de un extremo tengo ruido...
Si damos por sentado que la superficie de optimización es ruidosa, entonces tenemos que evitar el ruido y buscar los extremos reales, que deberían ser mucho más robustos ante nuevos datos.... Porque, lógicamente, una señal lenta cambia más lentamente en el tiempo que un ruido rápido.
El criterio complejo fue eliminado por alguna razón en las últimas versiones :)
parece que está ahí)))
Finalmente tiene su propia función de pérdida, la derivada se representa como un producto de Sharpe, error y pesos.
is_max_optimal=False indica que el valor es decreciente, pero como también he multiplicado por -1, lo contrario es cierto.
¿Hay alguna manera de alimentar el equilibrio o algo más a través del gradiente en el boost.....
Aquí está el esquema:
marcamos el gráfico con operaciones perfectas (en el extremo abajo compramos, en el extremo arriba vendemos) creamos una falsa operación perfecta.
Lo llamaré un equilibrio perfecto
A continuación calculamos la balanza comercial a partir del impulso
luego en la función objetivo simplemente calculamos el error de la balanza comercial del impulso con la balanza ideal.
obtenemos un ajuste a la balanza ideal, es decir, no se trata de la búsqueda de un máximo abstracto de beneficio, sino de un ajuste al comercio ideal expresado en la balanza de beneficio.
El azul es el equilibrio ideal, el negro es un trazado y una prueba de modelo.
Creo que sí).
¿Hay alguna manera de alimentar el equilibrio o cualquier otra cosa a través del gradiente en el boost....
Aquí está el esquema:
marcamos el gráfico con operaciones perfectas (en el extremo abajo compramos, en el extremo arriba vendemos) creamos una falsa operación perfecta.
Lo llamaré un equilibrio perfecto
Luego calculamos el balance comercial a partir del impulso
Luego en la función objetivo simplemente calculamos el error de la balanza comercial del boost con la balanza ideal.
obtenemos un ajuste a la balanza ideal, es decir, no se trata de la búsqueda de un máximo abstracto de beneficio, sino de un ajuste al comercio ideal expresado en la balanza de beneficio.
El azul es el equilibrio ideal, el negro es el traine y la prueba del modelo.
Bueno, eso se acerca a lo que estoy diciendo.
no es el equilibrio lo que hay que maximizar, sino un cierto criterio complejo, en tu ejemplo, la descomposicion en operaciones separadas. esta es una funcion derivada del equilibrio original, una funcion mas suave. eso es lo que necesitamos para buscar el optimo global de la funcion derivada. eso es lo que intento decir. y en este caso es importante como cualitativamente se encontrara el extremo global de la funcion derivada.
hay muchas formas de crear derivadas de funciones a partir de la original, limitadas solo por la imaginacion.
en vez de tirarte a la gente, puedes intentar entender. si entiendes, bien. si no entiendes, pasa.
En lugar de arremeter contra la gente, puedes intentar comprender. Si comprendes, bien. Si no comprendes, pasa de largo.
Mis ataques se referían al hecho de que no se pueden comparar diferentes AOs en igualdad de condiciones y decidir cuál es bueno y cuál es malo....
Cada AO tiene sus propias superficies de optimización.
La SELECCIÓN del AO depende de la superficie de optimización, no de gustos subjetivos.
si la superficie es lisa y tiene un mínimo una persona le aplica un algoritmo genético o enjambre o recocido o cualquier otro algoritmo de optimización global, es un tonto que no entiende lo que está haciendo, porque el descenso gradiente resolverá este problema 100 veces más rápido.
Si la superficie es compleja, ruidosa, tiene muchos mínimos, y una persona utiliza el descenso de gradiente, entonces de nuevo es un tonto , porque el algoritmo se atascará en el mínimo más largo.
Si una persona decide comparar, por ejemplo, el descenso de gradiente con la genética, ¿es un tonto por continuar?
Es un malentendido de cosas elementales.