L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1639
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je suis tout à fait d'accord.
Je me suis souvent posé cette question, et je pense qu'il est nécessaire de comparer les résultats d'un système avec son potentiel dans un domaine particulier.
Je pensais justement à ça aujourd'hui, comment faire mieux et de manière plus universelle. J'imagine que le processus d'apprentissage se compose de plusieurs étapes, dont la première est le marquage de l'échantillon, et vous pouvez le marquer sur la base de certaines stratégies de signal. Ces stratégies doivent être primitives mais ont un potentiel, par exemple, le croisement de la MA par le prix génère un signal d'entrée dans la direction de ce croisement ou vice versa. La formation n'est alors qu'un moyen de filtrer les faux signaux. Si l'on accepte cette hypothèse, on peut calculer le pourcentage d'efficacité de ce filtrage pour chaque intervalle de temps. Le plus simple serait de calculer la précision et l'exhaustivité de la classification par rapport à la stratégie de base. Il existe d'autres options - les métriques. Nous pouvons alors voir comment l'efficacité du modèle évolue, même s'il commence à perdre de l'argent.
Cela semble également être une bonne idée de construire un système basé sur un ensemble complet de systèmes primitifs mais significatifs. L'exhaustivité signifie qu'il est possible de choisir des systèmes rentables dans cet ensemble pour n'importe quelle pièce de cotation. Le sens est à peu près ce que vous appelez le potentiel. Ensuite, je vais construire un portefeuille à partir de cet ensemble avec des pondérations en fonction du temps.
J'ai de l'expérience. Je n'ai pas remarqué de changement dans le mois qui suit la dernière formation, même après une perte importante de bitcoins. La seule chose qui l'affecte est la période juste après le mouvement manipulé des actifs, pendant cette période le neurone est complètement perdu et parle de non-sens, plus on s'éloigne de cette tempête plus les prédictions deviennent adéquates.
La pratique montre généralement que "les arbres ne poussent jamais jusqu'au ciel". Tôt ou tard, le capital/équilibre de tout EA/portefeuille commencera à diminuer considérablement et il faudra faire quelque chose pour y remédier.
Il est assez déconcertant que le problème de la non-stationnarité soit presque totalement ignoré dans ce fil de discussion. Pour une raison quelconque, on suppose que les modèles trouvés dans le passé fonctionneront à l'avenir, et s'ils ne fonctionnent pas, c'est qu'il y a eu sur-apprentissage. Mais il est tout à fait possible que certains schémas cessent tout simplement de fonctionner avec le temps - progressivement ou même par bonds (par exemple à la suite d'une crise comme celle que nous traversons actuellement).
Le problème que je vois est que les modèles IO sont complexes et mal interprétés par les humains. S'ils commencent à avoir de mauvaises performances, il est impossible de distinguer (dans les modèles) la variante de sur-apprentissage de la variante de non-stationnarité. Dans une analyse mécanique normale, il est toujours possible de dire : "changement de tendance", "rupture de niveau/canal", etc.
Mais je pense que nous devons tenir compte de la "physique" des cotations des instruments financiers. Leur principale propriété, à mon avis, est le changement, parfois très rapide et dramatique, des caractéristiques statistiques d'une série temporelle. En ce sens, il serait raisonnable de créer d'abord un classificateur qui trierait l'historique en sections présentant des caractéristiques statistiques similaires et leur attribuerait des numéros de 1 à 20, par exemple. Et ensuite, pour chaque type de marché similaire, créer son propre TS individuel. Mais je ne sais pas vraiment comment trouver des prédicteurs pour une telle partition des séries temporelles en sections ayant des caractéristiques statistiques similaires.
Bien sûr, mais à mon avis, nous devrions nous fier à la "physique" des cotations des instruments financiers. Leur principale propriété, à mon avis, est le changement, parfois très rapide et drastique, des caractéristiques statistiques d'une série chronologique. En ce sens, il serait raisonnable de créer d'abord un classificateur qui trierait l'historique en sections présentant des caractéristiques statistiques similaires et leur attribuerait des numéros de 1 à 20, par exemple. Et ensuite, pour chaque type de marché similaire, de créer son propre TS individuel. Mais comment imaginer des prédicteurs pour un tel découpage de séries temporelles en segments présentant des caractéristiques statistiques similaires - je ne peux pas vraiment l'imaginer.
J'appelle généralement ces zones des "états de marché". Chaque état peut être associé à un portefeuille de systèmes primitifs. Je suppose que certains réseaux récursifs pourraient être utilisés pour segmenter le marché en états et comparer les portefeuilles à ceux-ci.
Je me demande où je vais trouver une nana qui comprend les réseaux neuronaux. Je cherchais une nana qui s'y connaisse en réseaux neuronaux pour pouvoir déblatérer sur ces sujets après johnnshpokhan. Je pense que nous devrions déménager dans la capitale. C'est là qu'ils semblent tous se concentrer.
En général, il faut choisir entre un johnanshpohan régulier ou des discussions interminables sur des sujets nobles.
Chaque état peut être associé à un certain portefeuille de systèmes primitifs.
d'accord, le point est que la série de prix n'est pas continue, elle est continue par morceaux - en fonction de la valatilité, cela correspond généralement au temps de fonctionnement des sessions.
donc l'espoir d'entraîner un réseau neuronal en lui glissant simplement une série de prix tend vers zéro, imho
mais si nous divisons la série de prix par le temps des sessions et l'entraînons par -session, alors nous perdrons l'information sur le surachat..... donc encore une fois le cercle est fermé ? - rien ne fonctionne
En général, il faut choisir entre un johnanshpohan régulier ou des discussions interminables sur des sujets nobles.
d'accord, le point est que la série de prix n'est pas continue, elle est continue par morceaux - en fonction de la valutilité, cela correspond généralement à la durée de la session.
donc l'espoir d'entraîner un neurone en lui présentant simplement une série de prix tend vers zéro, imho
mais si nous divisons la série de prix par le temps des sessions et l'entraînons par -session, alors nous perdrons l'information sur le surachat..... donc encore une fois le cercle est fermé ? - rien ne fonctionne
Vous pouvez vous débarrasser des fluctuations de volatilité de la session en passant à un zigzag ou à un renko, n'est-ce pas ? Bien sûr, la structure temporelle naturelle en souffrira, mais vous pouvez introduire le temps normal comme un ensemble d'indicateurs pour chaque genou/brique.
Les fluctuations de la volatilité de la session peuvent être éliminées en passant à un zigzag ou à un renko, n'est-ce pas ? Bien sûr, la structure temporelle naturelle en souffrira, mais il est possible d'introduire le temps normal comme un ensemble d'indicateurs pour chaque genou/brique.
Non seulement je perds complètement les informations OHLC, mais en plus j'obtiens un décalage de 2 fois la hauteur de la brique Renko - elle est très décalée.
Il en sera probablement de même pour ZigZag, mais je n'y ai pas été confronté directement.