L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2259
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
Maxim, avez-vous essayé la machine de Turing neuronale ? Dans quel cadre et quels ont été vos succès ?
Bonne année et que tous vos souhaits se réalisent !
Bonjour, bonne année. Non. Je suis plus intéressé par les modèles génératifs maintenant, ils sont plus proches de Turing, si vous ne pouvez pas distinguer la série artificielle de la série réelle. En fait, la bonne solution pour appliquer la MO au marché a déjà été trouvée, il reste des nuances. Il suffit de modéliser correctement la dérive du concept et de s'informer.
...la bonne solution pour appliquer le MO au marché a déjà été trouvée... Et quelle est cette solution ? Je suppose qu'il existe un certain nombre de solutions concurrentes).
Et qu'en est-il de la modélisation de la dérive du concept ? Les rétroactions ne sont pas utiles ?
Et d'un point de vue conceptuel, on peut supposer qu'il n'y a rien de plus :
- Changement progressif dans le temps
- Changement périodique ou cyclique
- Changement soudain ou abrupt
Ou est-ce qu'on inclut tout en même temps ?
...la bonne solution pour appliquer la ME au marché a déjà été trouvée... Et quelle est cette solution ? Je suppose qu'il existe des solutions concurrentes)
Et qu'en est-il de la modélisation de la dérive du concept ? Les rétroactions ne sont pas utiles ?
Et d'un point de vue conceptuel, on peut supposer qu'il n'y a rien de plus :
- Changement progressif dans le temps
- Changement périodique ou cyclique
- Changement soudain ou abrupt
ou est-ce qu'on inclut tout en même temps ?
Vous devez examiner ce qui change exactement et ce que l'axe est conçu pour faire. Modéliser ce qui change, c'est-à-dire créer des séries artificielles. Regardez l'éventail des changements dans l'histoire. Il n'existe pas de solution unique, mais il est possible de la faire fonctionner en fonction de la situation et pendant assez longtemps. Des relations inverses pour modéliser les normes, par exemple les gan de récurrence, mais je ne les ai pas encore abordées. Et le classificateur pour le modèle lui-même peut être n'importe quel...
cela se résume généralement à des choses assez triviales comme le biais incrémentiel de la moyenne et de la variance, qui doivent être modifiées. Et le regroupement de la volatilité est parfaitement modéliséVous devez examiner ce qui change exactement et ce que l'axe est conçu pour faire. Modéliser ce qui change, c'est-à-dire créer des séries artificielles. Regardez l'éventail des changements dans l'histoire. Il n'y a pas de solution unique, mais il est possible de la faire fonctionner en fonction de la situation et pendant une période assez longue. Des relations inverses pour modéliser les normes, par exemple les gan de récurrence, mais je ne les ai pas encore abordées. Et le classificateur pour le modèle lui-même peut être n'importe quel...
En général, tout se résume à des choses assez triviales comme le décalage incrémental moyen, qui doit être modifié. Et le regroupement de la volatilité est parfaitement modéliséEt si un déplacement des incréments moyens (ou peut-être médians), en supposant qu'il s'agit d'un "changement graduel avec le temps"/"changement périodique ou cyclique", l'introduisait dans le modèle comme une variable de contrôle ? Basé sur le concept de l'apprentissage tout au long de la vie.
Mais c'est probablement plus difficile avec un changement soudain ou abrupt, bien que cela puisse être exactement le contraire).
Que diriez-vous d'un changement de la moyenne (ou peut-être de la médiane) des incréments, en le traitant comme un "changement graduel dans le temps"/"changement périodique ou cyclique" à introduire dans le modèle comme une variable de contrôle ? Basé sur le concept de l'apprentissage tout au long de la vie.
C'est probablement plus difficile dans le cas d'un changement soudain ou abrupt, bien que cela puisse être l'inverse).
Je ne suis pas familier avec de tels concepts. Je pense qu'il suffit de diviser la rangée en lots de n barres chacun et vous pouvez mélanger si vous voulez de la soudaineté. Je ne crois pas que vous puissiez mettre le doigt sur quelque chose en particulier, mais à travers l'énumération des variantes pour obtenir un modèle normal, ce n'est pas un problème. qui n'a pas vu les nouvelles données, mais a été formé sur quelque chose de similaire, généré. L'essentiel est que la couverture des variantes soit large, sinon nous risquons de ramasser accidentellement
Par exemple, sur toutes les paires de devises, j'obtiens de bons modèles avec un horizon de 5 ans formés en quelques mois + des modèles artificiels. Je ne sais pas quel est le changement global, mais si nous regardons les changements saisonniers, le déplacement de la moyenne est différent. Je ne l'ai pas encore modélisé.
Par exemple, sur toutes les paires de devises, j'obtiens de bons modèles avec un horizon de 5 ans, en apprenant en seulement quelques mois + artificiel. Je ne sais pas quel est le changement global à cet égard, mais si vous examinez les données saisonnières, le changement de la moyenne est différent. Je n'ai pas encore fait de modélisation.
Les actions et les matières premières ont-elles des modèles du même horizon ? Est-ce que "quelques mois" sont une partie de l'histoire de BP ? Si c'est le cas, c'est un Klondike !
Les actions et les matières premières ont-elles des modèles du même horizon ? Est-ce que "quelques mois" sont une partie de l'histoire de BP ? Si c'est le cas, c'est un Klondike !
Tout est situationnel, quelque part c'est 2 mois, quelque part le marché a changé drastiquement et cette histoire n'est pas suffisante. Quelque part, vous avez besoin de filtres supplémentaires. Je n'ai pas essayé d'autres instruments, vous pouvez essayer sur les indices.
J'ai essayé d'autres outils pour les indices, vous pouvez les essayer. C'est juste l'approche elle-même - nous avons besoin de beaucoup d'exemples plausibles, cela fonctionne partout, pas seulement pour les séries temporelles. Il n'y a pas de science infuse, il suffit de se balader et de regarder).
par exemple, enseigner sur des horloges spécifiques (composantes saisonnières), faire une brutforce comme ceci. Sélection de motifs par heures. Chaque point représente un modèle, avec 10 modèles formés pour chaque montre. Plus les points sont denses et élevés, mieux c'est.
Vous pouvez voir sur le graphique qu'il y a beaucoup de bons modèles sur les bords de la journée de négociation, au milieu, où la volatilité est élevée, cette stratégie fonctionne moins bien (en moyenne). Il n'y a que quelques périodes carrément nulles, le reste peut être travaillé.
Puis pour la 5ème heure que je regarde, j'ai une telle courbe d'équilibre. Tous les modèles se révèlent bons pour lui. Moitié test, moitié piste (pendant 5 ans). Pour les saisonniers, j'ai besoin de plus de 2 mois, car il y a peu d'exemples.
Et tout cela dans cette veine. Je voulais écrire un article, mais les mots sont trop courts.
C'est GBPUSD, mais cela fonctionne sur toutes les paires de devises.
Sélection de modèles par heure. Chaque point représente un modèle, avec 10 modèles formés pour chaque montre. Plus les points sont denses et élevés, mieux c'est.
Puis pour la 5ème heure que je regarde, j'ai une telle courbe d'équilibre. Tous les modèles sont bons pour cela. Moitié test, moitié piste (pendant 5 ans). Pour les saisonniers, j'ai besoin de plus de deux mois, car il y a peu d'exemples.
Et tout cela dans cette veine. Je voulais écrire un article, mais les mots sont trop courts.
Il s'agit de la paire GBPUSD, mais cela fonctionne sur toutes les paires de devises.
Comment ils ont ignoré l'évidence pendant si longtemps...