Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1288
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
es decir, la no estacionariedad no se mata con toda esa mierda y los patrones es mejor no encontrarlos
No mate la no estacionalidad). Es imposible matarlo, ya que, por definición, no se puede aislar con absoluta precisión nada de cualquier BP o aislar cualquier cosa que se mueva del BP, sino sólo una parte de él, y sólo según su criterio, una parte significativa permanecerá siempre en el BP, y generará no estacionariedad.
En general, la estacionariedad-no estacionariedad no es un criterio muy bueno.
No mate la no estacionalidad). Es imposible matarlo, porque usted, por definición, no puede aislar absolutamente nada de cualquier BP o aislar de la BP cualquier cosa que se mueva, sino sólo una parte de ella, y sólo según su criterio, una parte significativa permanecerá siempre en la BP, y generará no estacionariedad.
En general, la estacionariedad-no estacionariedad no es un gran criterio.
En la BP desnuda, la regularidad sólo está en la ciclicidad. Es un axioma. Si los ciclos no pueden ser señalados, nada funciona por definición.
El mismo intento de llevar a la estacionariedad es un intento de aislar una señal constante, que, como diría Alexander, no existeEn la BP desnuda, el patrón es sólo cíclico. Esto es un axioma. Si los ciclos no pueden aislarse, entonces nada funciona por definición.
Creo que el axioma es más o menos). Toma el sonido, la música, digamos. No hay ningún ciclo, sólo uno a corto plazo, el resto es imprevisible. E incluso en una ciclicidad a corto plazo no se entiende realmente: toda una orquesta toca, y cada uno tiene su parte).
Creo que el axioma es más o menos). Toma el sonido, la música, digamos. Ahí no hay ciclicidad, sólo a corto plazo, el resto es imprevisible. Y aún con una ciclicidad a corto plazo es difícil de entender - toda una orquesta está tocando, y cada uno tiene su parte).
No es que nadie haya tratado de rastrear la música o el sonido. Hay una cíclica, con ritmos de algún tipo, y una acíclica que es imprevisible.
hay PAs predecibles, hay impredeciblesPermutación rechazada y eliminación de predictores por 1 en el gráfico válido. Aleatoriedad total, como en la parcela de entrenamiento.
, característica, valor absoluto, valor relacionado * 100
1) 23 0.05544194501249716 100
2) 53 0.04867290288234849 87
3) 32 0.03782135076252724 68
4) 37 0.03541102077687447 63
5) 26 0.03532324097876799 63
6) 33 0.03362697736099274 60
7) 40 0.03278533635676495 59
8) 13 0.03230890464933017 58
9) 60 0.03111487121639406 56
10) 24 0.03067918054294078 55
11) 8 0.02900490852298082 52
12) 10 0.02877257422711971 51
13) 49 0.02715383847459318 48
14) 64 0.02681691125087354 48
15) 38 0.02662037037037041 48
16) 35 0.02532532532532533 45
17) 1 0.02212475633528266 39
18) 57 0.02151192288178594 38
19) 28 0.02077687443541104 37
20) 12 0.01949317738791423 35
21) 11 0.01935357107770902 34
22) 56 0.01921172509407804 34
23) 19 0.01870370370370372 33
24) 27 0.01806684733514002 32
25) 46 0.01805450097021855 32
26) 3 0.0175925925925926 31
27) 42 0.01603966170895305 28
28) 44 0.01603966170895305 28
29) 4 0.01568141958114105 28
30) 54 0.01553166069295103 28
31) 36 0.01553166069295103 28
32) 25 0.01440866453921286 25
33) 63 0.01370370370370372 24
34) 41 0.01329274479959414 23
35) 55 0.01322751322751325 23
36) 15 0.01322751322751325 23
37) 17 0.01289590426080678 23
38) 39 0.01284348864994028 23
39) 7 0.01260422726391314 22
40) 9 0.012243648607285 22
41) 43 0.01221434200157606 22
42) 50 0.01074595722483046 19
43) 62 0.0106090745476935 19
44) 52 0.01058201058201058 19
45) 21 0.009986426216792743 18
46) 59 0.009936766034327027 17
47) 47 0.009652712202287306 17
48) 14 0.009616300104732023 17
49) 58 0.009333730513355176 16
50) 0 0.009109109109109115 16
51) 22 0.008516537928302648 15
52) 5 0.008285913946291301 14
53) 51 0.008285913946291301 14
54) 16 0.007571107018620848 13
55) 6 0.007467144563918782 13
56) 18 0.00722673893405601 13
57) 20 0.006734006734006759 12
58) 45 0.005037037037037062 9
59) 30 0.004840067340067367 8
60) 48 0.003703703703703709 6
61) 29 0.002872678772955772 5
62) 31 0.002849002849002857 5
63) 61 0.001154128632882168 2
64) 34 0.0003138731952291307 0
65) 2 -0.0009033423667569873 -1
0, valor absoluto, valor relacionado * 100
1) 14 0.04838455476753351 99
2) 28 0.04332634521313766 89
3) 40 0.03703703703703703 76
4) 48 0.0356709168184578 73
5) 37 0.03461279461279465 71
6) 26 0.03151827324012757 65
7) 3 0.02880658436213995 59
8) 39 0.02445842068483578 50
9) 34 0.02417848115177496 49
10) 51 0.0228526398739165 47
11) 6 0.02062678062678064 42
12) 52 0.01807496118873364 37
13) 19 0.01765719207579675 36
14) 17 0.01600654282042296 33
15) 50 0.01582491582491585 32
16) 25 0.01527640400043961 31
17) 36 0.01527640400043961 31
18) 44 0.01488195143784271 30
19) 1 0.01475021533161069 30
20) 47 0.01404853128991063 29
21) 33 0.01257220523275571 25
22) 22 0.01227513227513227 25
23) 41 0.01095008051529794 22
24) 7 0.0109137350516661 22
25) 16 0.01020525169131981 21
26) 43 0.009586056644880214 19
27) 4 0.009417989417989436 19
28) 49 0.008301404853129024 17
29) 35 0.007797270955165692 16
30) 27 0.007680976430976427 15
31) 29 0.00753851196329075 15
32) 23 0.00753851196329075 15
33) 59 0.006652765365902091 13
34) 24 0.006644880174291934 13
35) 15 0.006374326849104328 13
36) 13 0.006297363646066811 13
37) 38 0.006224712107065045 12
38) 55 0.005901505901505899 12
39) 10 0.005698005698005715 11
40) 61 0.005642761875448876 11
41) 9 0.005427841634738195 11
42) 42 0.005152979066022578 10
43) 0 0.00490852298081218 10
44) 2 0.003703703703703709 7
45) 30 0.003406967798659233 7
46) 62 0.003122308354866488 6
47) 31 0.003122308354866488 6
48) 64 0.002295252999478359 4
49) 21 0.0008465608465608732 1
50) 11 0.0006224712107065211 1
51) 53 0.0005336748852599049 1
52) 12 0.0005336748852599049 1
53) 58 0.0002916302128900816 0
54) 5 0.0002153316106804914 0
55) 8 -0.0001086130118387874 0
56) 18 -0.0007739082365947891 -1
57) 20 -0.0008417508417508102 -1
58) 54 -0.0009746588693956837 -2 (30)
59) 46 -0.002010582010582018 -4 (25)
60) 32 -0.002348169495143548 -4 (3)
61) 57 -0.003145611364789413 -6 (18)
62) 56 -0.004743162781309929 -9 (22)
63) 45 -0.00597371565113497 -12 (58)
64) 60 -0.007107107107107102 -14 (9)
65) 63 -0.008547008547008517 -17 (33)
en () para la parte inferior 7 - la posición de este predictor cuando se elimina por 1 - se puede ver que la posición es aleatoria
Y en el artículo sobre este método todo es muy bonito.
¿Por qué puede ser así?
En el artículo todos los predictores (6 en total) son importantes y este método tamiza bien un predictor de ruido. De mis 65 predictores, la mitad o la mayoría pueden ser ruidosos.
Además, el bosque sigue siendo aleatorio y al calcular el error quitando 1, también podrían introducirse desviaciones aleatorias, que podrían desplazar la importancia del predictor en la escala de importancia.
Además, lo que hace que el método de permutación sea inestable es que en la práctica el árbol siempre encontrará otro predictor, que será casi tan bueno como una división, y la permutación como que elimina este nodo (haciendo que el resultado de su trabajo sea aleatorio).
En general, en mis datos la permutación (en mi versión, es decir, reordenando las filas del predictor que se comprueba) no funciona.
Maxim lo implementó de manera diferente (algo con distribución normal). ¿No has hecho una comparación con la eliminación por 1? ¿O es que te has creído los resultados del artículo?
Bueno, no es que nadie haya intentado comerciar con la música o el sonido. Hay cíclico de la misma manera, ritmos de algún tipo, y acíclico impredecible.
El sonido y la música son más cíclicos que el mercado. ¡Vamos a caminar en la música! Estoy seguro de que los resultados no serán mejores que en el mercado).
Tengo la permutación y la eliminación de los predictores 1 a la vez. Aleatoriedad total, como en la parcela de entrenamiento.
Y en el artículo sobre este método todo es muy bonito.
¿Por qué puede ser así?
En el artículo todos los predictores (6 en total) son importantes y este método elimina muy bien un predictor ruidoso. De mis 65 predictores, la mitad o la mayoría pueden ser ruidosos.
Además, el bosque sigue siendo aleatorio y al calcular el error quitando 1, también podría haber desviaciones aleatorias, que podrían desplazar la importancia del predictor en la escala de importancia.
Además, lo que hace que el método de permutación sea inestable es que en la práctica el árbol siempre encontrará otro predictor, que será casi tan bueno como una división, y la permutación como que elimina este nodo (haciendo que el resultado de su trabajo sea aleatorio).
En general, en mis datos la permutación (en mi versión, es decir, reordenando las filas del predictor que se comprueba) no funciona.
Maxim lo implementó de manera diferente (algo con distribución normal). ¿No has hecho una comparación con la eliminación por 1? ¿O es que te has creído los resultados del artículo?
En primer lugar, hay que descorrelacionar (si no lo ha hecho ya), es decir, eliminar todas las correlaciones, digamos, por encima de 0,9 como mínimo. De lo contrario, la permutación no funciona
realmente no entró en comparaciones, sólo vio que reduce el error uno, elimina cosas innecesarias y simplifica el modelo (casi sin pérdidas) eso es dos
puede que encuentre algunos ejemplos en python para otros modelos y los compare con lo que obtuve a través de alglib, pero estoy muy aburrido
Para empezar, hay que descorrelacionar (si no lo ha hecho ya), es decir, eliminar todas las correlaciones por encima de, digamos, 0,9 como mínimo. De lo contrario, la remodelación no funciona
No he profundizado en las comparaciones, sólo he visto que reduce los errores esta vez, desecha cosas innecesarias y simplifica el modelo (casi sin pérdidas) que son dosLo probé con Spearman 0.9, sin mejoras.
¿cuáles son los errores finales? ambos modelos y cómo funcionan con los nuevos datos
hombre, esto es un análisis muy profundo para hacer
En el sonido, en la música, hay mucha más ciclicidad que en el mercado. ¡Vamos a caminar en la música! Estoy seguro de que los resultados no serán mejores que en el mercado).
Puedes simplemente correr en círculo, agitando los brazos, el resultado será más o menos el mismo)