L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3010

 
Forester #:

Malheureusement, personne ne l'a trouvé, sinon je serais sur des îles tropicales au lieu d'être ici)))).

Oui, même un arbre ou une régression peut trouver un modèle s'il est là et ne change pas.

Facile. Je peux dégénérer des dizaines d'ensembles de données. Je suis en train d'explorer TP=50 et SL=500. Il y a en moyenne 10 % d'erreur dans la notation de l'enseignant. S'il y en a 20 %, ce sera un modèle de prune.
Ce n'est donc pas l'erreur de classification qui est importante, mais le résultat de l'addition de tous les profits et de toutes les pertes.

Comme vous pouvez le voir, le meilleur modèle a une erreur de 9,1 %, et vous pouvez gagner quelque chose avec une erreur de 8,3 %.
Les graphiques ne montrent que les OOS, obtenus par Walking Forward avec un recyclage une fois par semaine, soit un total de 264 recyclages sur 5 ans.
Il est intéressant que le modèle ait fonctionné à 0 avec une erreur de classification de 9,1 %, et 50/500 = 0,1, c'est-à-dire que 10 % devrait être. Il s'avère que 1% a mangé l'écart (minimum par barre, l'écart réel sera plus grand).

Ce test a été fait avec les volumes réels du CME pour l'EURUSD : volume cumulé, delta, divergence et convergence pour 100 barres. Total 400 colonnes + 5 colonnes supplémentaires.
Sans changer les paramètres du modèle, j'ai supprimé 405 colonnes avec les données du CME (les deltas et les zigzags sont restés) pour un total de 115 colonnes et j'ai obtenu des résultats légèrement meilleurs. Il s'avère que les volumes sont parfois sélectionnés dans les splits, mais qu'ils s'avèrent être du bruit sur les OOS. Et l'apprentissage est 3,5 fois plus lent.

Pour la comparaison, j'ai laissé les graphiques avec les volumes en haut et sans les volumes en bas.

J'espérais que les volumes avec CME apporteraient des informations/régularités supplémentaires qui amélioreraient l'apprentissage. Mais comme vous pouvez le voir, les modèles sans volumes sont un peu meilleurs, même si les graphiques sont très similaires.
C'était ma deuxième approche de l'EMC (je l'ai essayée il y a 3 ans) et elle s'est soldée à nouveau par un échec.
Il s'avère que tout est pris en compte dans le prix.

Quelqu'un d'autre a-t-il essayé d'ajouter des volumes à l'entraînement ? Les résultats sont-ils les mêmes ? Ou est-ce qu'ils apportent des améliorations ?

 
Forester #:

Ce test était avec des volumes réels du CME pour l'EURUSD : volume cumulé, delta, divergence et convergence par 100 barres. Total 400 colonnes + 5 colonnes supplémentaires.
Sans modifier les paramètres du modèle, j'ai supprimé 405 colonnes contenant des données du CME (les deltas et les zigzags sont restés) pour un total de 115 colonnes et j'ai obtenu des résultats légèrement meilleurs. Il s'avère que les volumes sont parfois sélectionnés dans les splits, mais qu'ils s'avèrent être du bruit sur les OOS. Et l'entraînement est 3,5 fois plus lent.

Pour la comparaison, j'ai laissé les graphiques avec les volumes en haut et sans les volumes en bas.

J'espérais que les volumes avec CME apporteraient des informations/régularités supplémentaires qui amélioreraient l'apprentissage. Mais comme vous pouvez le voir, les modèles sans volumes sont un peu meilleurs, même si les graphiques sont très similaires.
C'était ma deuxième approche de l'EMC (je l'ai essayée il y a trois ans) et elle s'est soldée à nouveau par un échec.
Il s'avère que tout est pris en compte dans le prix.

Quelqu'un d'autre a-t-il essayé d'ajouter des volumes à l'entraînement ? Les résultats sont-ils les mêmes ? Ou est-ce qu'ils donnent des améliorations ?

Avez-vous essayé notre marché, qui semble moins efficace ?

Ou les contrats à terme sur les céréales, il peut y avoir des cycles saisonniers.

 
Rorschach #:
Avez-vous essayé notre marché, il est moins efficace, n'est-ce pas ?
Non. Les écarts ne sont pas aussi intéressants. Mais peut-être un jour. J'y arriverai.
 
Forester #:

On espérait que les volumes avec les PME contiendraient des informations/légalités supplémentaires qui amélioreraient la courbe d'apprentissage. Mais comme vous pouvez le constater, les modèles sans volumes sont légèrement meilleurs...

Et c'est le cas, ainsi que de nombreuses informations, sauf qu'un modèle stupide ne peut pas les capter.

 
mytarmailS #:
Et ils transportent, et beaucoup d'informations, sauf que le modèle muet ne peut pas les prendre
Quel modèle peut le supporter ? L'avez-vous essayé ? Quelle est l'importance de l'amélioration par rapport au simple prix ?
 
Forester #:
Quel modèle pouvez-vous obtenir ?
Je crains qu'il n'y en ait aucun, juste le cerveau.
Je ne plaisante pas et je parle d'expérience.
 
Forester #:

Ce test était avec des volumes réels du CME pour l'EURUSD : volume cumulé, delta, divergence et convergence par 100 barres. Total 400 colonnes + 5 colonnes supplémentaires.
Sans modifier les paramètres du modèle, j'ai supprimé 405 colonnes contenant des données du CME (les deltas et les zigzags sont restés) pour un total de 115 colonnes et j'ai obtenu des résultats légèrement meilleurs. Il s'avère que les volumes sont parfois sélectionnés dans les splits, mais qu'ils s'avèrent être du bruit sur les OOS. Et l'entraînement est 3,5 fois plus lent.

Pour la comparaison, j'ai laissé les graphiques avec les volumes en haut et sans les volumes en bas.

J'espérais que les volumes avec CME apporteraient des informations/régularités supplémentaires qui amélioreraient l'apprentissage. Mais comme vous pouvez le voir, les modèles sans volumes sont un peu meilleurs, même si les graphiques sont très similaires.
C'était ma deuxième approche de l'EMC (je l'ai essayée il y a trois ans) et elle s'est soldée à nouveau par un échec.
Il s'avère que tout est pris en compte dans le prix.

Quelqu'un d'autre a-t-il essayé d'ajouter des volumes à l'entraînement ? Les résultats sont-ils les mêmes ? Ou est-ce qu'ils donnent des améliorations ?

Vous avez complètement mal compris mon message : il n'y a pas d'"espoir", soit il y a une estimation numérique de l'aptitude des traits, soit il n'y en a pas. Et il existe une estimation numérique de l'aptitude du trait dans le futur.

 
Maxim Dmitrievsky #:
Un enseignant est un ensemble de traits et d'étiquettes, pas ce que vous avez écrit :) ou plutôt, c'est une personne en général, ou un algorithme qui génère ces données 😀

Le choix du modèle compte, il faut choisir un modèle fort. Mais comme tous les modèles forts portent sur les mêmes qualités fortes, le choix entre eux n'est plus sans importance.

Parfois, le fait de connaître les bonnes définitions vous aide à penser correctement.

Je vois que vous avez une envie irrépressible de cracher dans ma direction, mais devez-vous conserver votre salive, ou simplement marquer ?

 
mytarmailS #:

Il faut d'abord se rendre compte que le modèle est plein de déchets à l'intérieur...

Si vous décomposez un modèle en bois formé en règles à l'intérieur et en statistiques sur ces règles.

comme.. :


et analyser la dépendance de l'erreur d' une règle par rapport à la fréquence de son apparition dans l'échantillon.


nous obtenons


Nous nous intéressons alors à cette région


où les règles fonctionnent très bien, mais où elles sont si rares qu'il est logique de douter de l'authenticité des statistiques les concernant, car 10-30 observations ne sont pas des statistiques.

Pour moi, c'est la façon de s'adapter. Affiner les règles au sein du modèle revient à affiner ce que le modèle a "vu".

 
СанСаныч Фоменко #:

Je vois que vous avez une envie irrépressible de cracher dans ma direction, mais devriez-vous garder votre salive, ou juste pour marquer ?

C'est une réaction normale à la bêtise, c'est la base du ministère de la défense.

avec un tel aplomb, comme bla-bla, bla-bla, bla-bla, bla-bla.