Discusión sobre el artículo "Asesor de autoaprendizaje con red neuronal basada en matriz de estados" - página 2
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
Interesante planteamiento, pero el texto me resulta bastante extraño en algunos puntos, es extremadamente optimista y algunas frases están claramente escritas con IA ( "Este código es un auténtico laboratorio alquímico donde los datos brutos del mercado se transforman en un precioso elixir de conocimiento", ¿qué es esta frase?). También tengo algunos problemas estructurales y matemáticos graves con este enfoque. He trabajado antes con matrices de Markov, y permítanme decirles que 0,67 como valor diagonal (persistencia) no es claramente un estado estable. 0,67 significa que el activo promedia sólo 3 días en el mismo régimen antes de cambiar, lo que es completamente inestable y sólo captura el ruido técnico a corto plazo, sobre todo porque se están utilizando estas identificaciones de régimen en activos que normalmente no son demasiado tendenciales.
Tampoco entiendo cómo el uso de una ventana móvil de 100 barras puede ayudar a la matriz de Markov a reaccionar rápidamente a los cambios de régimen. En un marco temporal diario, una ventana móvil transporta el 99% de exactamente los mismos datos de un día para otro. La matriz de transición resultante está muy autocorrelacionada y se mueve como una media móvil lenta y muy retrasada, lo que significa que se suavizará y se retrasará tras una ruptura estructural del mercado en lugar de reaccionar instantáneamente.
Hablando también por experiencia en el caso de los modelos de Markov, el uso de más de 3 estados (incluso 4-5 es demasiado) sólo crea modelos degenerados a través de soluciones sombrero-singular, donde un estado ni siquiera tiene ninguna densidad de datos asignada a él, o una transición ni siquiera se registra, por lo que el modelo se vuelve demasiado complicado para representar algo significativo.
Alimentar una matriz aplanada de 9 elementos de frecuencias históricas de movimiento lento en un perceptrón multicapa de 40 neuronas ocultas para predecir la dirección inmediata del precio de la siguiente barra parece muy contradictorio. Las características de entrada son muy estáticas día a día, lo que obliga al MLP a sobreajustarse a las 600 muestras de entrenamiento. Así que no sé acerca de todo este enfoque utilizando MLP basado en la matriz de Markov, parece un poco extraño, y el backtest aún más extraño basado en él, pero ¡buena suerte en hacer que funcione!