L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3090
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 ne me suis pas encore penché sur la question, je viens de tomber dessus, je n'ai pas assez de temps pour tout faire en catastrophe
Je m'excuse pour le kolkhoze, qui n'est peut-être pas tout à fait exact.
Une fois de plus, je vais essayer d'expliquer la différence entre le développement professionnel et le développement villageois selon le principe du "premier arrivé dans le village".
R n'est pas seulement un langage de programmation, mais un moyen de développer des tâches étroitement spécialisées - les statistiques, qui comprennent la MO et autre chose.
Les paquets de R font partie du langage. Examinons le paquet de distribution du langage : il contient déjà plusieurs paquets de base.
L'ensemble des packages de R, qui compte plus de 10 000 packages avec plus de 100 000 fonctions, est un ensemble FONCTIONNELLEMENT COMPLET pour résoudre les problèmes, par exemple, la MO.
Permettez-moi de m'expliquer à l'aide de l'exemple de la MO.
Le site traite principalement des différentes variantes des algorithmes de classification, en particulier des variantes de NS. Les méta-citations pour python sont particulièrement révélatrices.
Du point de vue de la MO, l'algorithme de classification lui-même est une partie du problème, 30%. Essayez de trouver les 70 % restants dans un village appelé Python. Et il est presque impossible de trouver d'autres variantes de modèles de classification, et il y en a jusqu'à 200 (1).
R dispose d'un excellent appareil de référence qui vous permettra de trouver ce qui manque.
Si vous ne savez pas QUOI chercher, alors dans un premier temps vous pouvez prendre Rattle pour voir ce qu'est un ensemble d'outils pour la MO: analyse des données primaires, transformation, sélection des prédicteurs, préparation des fichiers pour les tests, calcul par modèle ou modèles, évaluation des résultats avec une représentation graphique appropriée. C'est le niveau de base.
Si vous avez dépassé Rattle, vous pouvez prendre la coquille Caret, qui couvre les problèmes de MO au niveau le plus élevé. Caret donne accès à jusqu'à 200 ( !) paquets qui donneront des signaux pour le commerce. Ces paquets peuvent être comparés, sélectionnés, des ensembles de modèles peuvent être créés. Caret a tout ce que Rattle avait, mais à un niveau plus professionnel.
Pour tout ce que Caret a, R a des analogues et un grand nombre d'autres outils de soutien. Tout cela représente UN BUT.
C'est ce qu'on appelle un ENVIRONNEMENT PROFESSIONNEL pour travailler dans le domaine des statistiques et de l'IO en particulier.
Page 7.
Quatrièmement, même si le chercheur travaille avec un grand échantillon, l'analyse
de l'OOS devra couvrir une grande partie de l'échantillon pour être concluante,
ce qui est préjudiciable à l'élaboration de stratégies (voir Hawkins [15]). Si l'analyse OOS
est effectuée à la fin de la série temporelle, nous perdons les observations
les plus récentes, qui sont souvent les plus représentatives de l'avenir. Si l'OOS
est pris au début de la série temporelle, les tests ont été effectués sur
, peut-être la partie la moins représentative des données.
Une description de 30 pages de la méthode est disponible à l'adresse suivante : https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2326253. J'ai commencé à lire. Apparemment, elle est basée sur la validation croisée, mais avec ses propres particularités - combinatoire-symétrique.
Je n'ai même plus envie de la lire, je suis épuisé.
Mais je peux écrire une synthèse automatique de stratégies avec une vérification du critère de non-entraînement...
En d'autres termes, je peux créer des stratégies qui maximisent le critère de non-entraînement.
Je peux synthétiser des stratégies en fonction de ce critère, puis je peux les tester sur de nouvelles données, pour savoir si elles sont nulles ou si elles valent la peine qu'on s'y intéresse....
Je l'ai testé -> j'ai obtenu le résultat -> je l'ai jeté/appris.
Mais courir pendant des années avec une idée comme un "clown occasionnel", ne rien faire et la jeter en pâture à tout le monde est une impasse.
Quel est le critère de désapprentissage ?
Réponse de Prado et al. à Maxim concernant sa préférence pour la prise de l'OOS à un site précoce :
Page 7.
Quatrièmement, même si le chercheur travaille avec un grand échantillon, l'analyse
de l'OOS devra couvrir une grande partie de l'échantillon pour être concluante,
ce qui est préjudiciable à l'élaboration de stratégies (voir Hawkins [15]). Si l'analyse OOS
est effectuée à la fin de la série temporelle, nous perdons les observations
les plus récentes, qui sont souvent les plus représentatives de l'avenir. Si l'OOS
est pris au début de la série temporelle, les tests ont été effectués sur
, peut-être la partie la moins représentative des données.
Quel est le critère de non-formation ?
A la page 8 pour l'instant. Et il s'agit encore d'une introduction)))
Il semble qu'il s'agira d'une comparaison par Sharpe (mais ils écrivent que vous pouvez utiliser n'importe quel autre indicateur) sur la validation croisée.
Wow, ils arrivent au Prado.
Aucune de ses techniques n'a fonctionné pour moi).
Ils arrivent au Prado.
Aucune de ses techniques n'a fonctionné pour moi).
Peut-être autre chose... Je ne me souviens pas de tout.
Mais il n'est pas certain qu'il s'agisse de son invention. Il a peut-être simplement repris une idée utile