L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2605

[mytarmailS]

Maxim Dmitrievsky #:

Selon la rumeur, la danse du tambourin n'est plus en vogue.

La rumeur dit que si vous n'avez rien à dire, il vaut mieux ne rien dire.

[Доктор]

Aleksey Nikolayev #:

Même si vous avez raison, c'est un problème de prémisse, pas de construction. Mais je suppose qu'il y a un piège dans vos stratégies. Par exemple, les bénéfices ne sont pas beaucoup plus élevés que les intérêts sur les dépôts ou sa volatilité est trop élevée. Sinon, on pourrait espérer trouver et assembler de nombreuses stratégies de ce type dans un portefeuille plus vaste.

Le pourcentage de profit est à trois chiffres, la volatilité est minimale. Mais elle n'est pas évolutive, et le portefeuille ne peut être assemblé qu'en augmentant le nombre d'instruments (marchés).La stratégie n'est pas la mienne).

[Aleksey Nikolayev]

Docteur #:

Le pourcentage de profit est à trois chiffres, la volatilité est minimale. Mais elle n'est pas évolutive, et le portefeuille ne peut être construit qu'en augmentant le nombre d'instruments (marchés). Lastratégie n'est pas la mienne ;)).

Je crois inconditionnellement à tout ce qui y est écrit. Je regrette seulement qu'il n'y ait pas de résultats pour les deux dernières années).

[Доктор]

Aleksey Nikolayev #:

Je crois inconditionnellement à tout ce qui y est écrit. Je regrette seulement qu'il n'y ait pas de résultats pour les deux dernières années).

L'auteur est largement connu dans les cercles restreints. Lorsqu'on lui demande "y aura-t-il des résultats pour l'année 20XX", il répond généralement que cela ne sert à rien d'écrire, puisque le résultat est le même d'une année à l'autre. Dernière entrée sur la ressource en date du 29.03.2021

[Renat Akhtyamov]

Docteur #:

L'auteur est largement connu dans les cercles restreints. Lorsqu'on lui demande "y aura-t-il des résultats pour 20XX", il répond généralement qu'il est inutile d'écrire, puisque le résultat est le même d'une année à l'autre. La dernière entrée dans la ressource est datée du 29.03.2021.

fuite....

[Renat Akhtyamov]

Aleksey Nikolayev #:

1) Je pense qu'il est évident qu'il n'y a et ne peut y avoir aucun moyen de prouver qu'un modèle établi dans l'histoire fonctionnera nécessairement dans le futur.

2) L'existence d'une méthode qui établit un modèle déterministe (non aléatoire) pour le futur sur la base de données du passé serait une négation de (1).

Nous ne disposons que de la validation croisée, qui ne peut qu'établir l'homogénéité d'un modèle sur l'historique. Nous pouvons seulement interpoler le modèle, pas l'extrapoler. Nous n'avons qu'une très faible PROPOSITION selon laquelle un modèle bien interpolé se révélera être bien extrapolé. Il ne s'agit pas d'une inférence déductive, mais simplement inductive - une variante de l'inférence par analogie.

Des régularités apparaîtront si le système est écrit, et non philosophé.

Une fois de plus, je vais vous dire

écrire le système avec l'état d'esprit de ne pas couler, de ne pas faire d'argent.

---

pour ne pas être démenti, vous comprendrez/détecterez/voyez les réactions du kotier à certaines actions du système

Ce sont généralement les suivantes :

- GEP

- cygne noir

- tendance

- plat

- épingles à cheveux et longues queues

Toutes ces régularités ne sont en aucun cas liées aux causes généralement admises par les théoriciens

la théorie dont vous avez besoin et que vous connaissez suffisamment pour construire un système de tradingici

[Aleksey Nikolayev]

Docteur #:

L'auteur est largement connu dans les cercles restreints. Lorsqu'on lui demande "y aura-t-il des résultats pour 20XX", il répond généralement qu'il est inutile d'écrire, puisque le résultat est le même d'une année à l'autre. La dernière entrée sur la ressource est datée du 29.03.2021.

Ne vous méprenez pas - ce n'est pas que je remette en question ce que cette personne a écrit ou la recommandation que vous lui avez faite. C'est juste que ce forum, comme beaucoup d'autres, est rempli de déclarations du type "Nous avons CE genre d'appareils, mais nous ne vous en parlerons pas !". Si l'on croit à un cas, quelle raison peut-on avoir de refuser de croire à d'autres cas similaires ? Mais il est tout à fait impossible de construire quoi que ce soit de significatif sur cette base très fragile. Je préfère donc fonder mesconvictions sur desaffirmations plus faibles, mais significatives et au moins vérifiables d'une manière ou d'une autre.

[mytarmailS]

Aleksey Nikolayev #:

Je crois inconditionnellement à tout ce qui y est écrit. Je regrette seulement qu'il n'y ait pas de résultats pour les deux dernières années).

Ahahahh 5 c ±.

Aleksey, faites-vous du commerce en général ou êtes-vous dans la recherche ?

[Aleksey Nikolayev]

mytarmailS #:
Ahahah 5s ±

Alexey, faites-vous du commerce ou en cherchez-vous un ?

J'essaie de faire les deux, mais jusqu'à présent, je penche nettement du côté de la théorie.

[Maxim Dmitrievsky]

Il y a une question comme celle-ci :

Deux modèles sont utilisés. L'un prédit d'acheter ou de vendre, l'autre d'échanger ou de ne pas échanger.

D'abord, le premier modèle est entraîné, puis nous regardons où il prédit mal, nous marquons ces exemples comme "ne pas échanger", les autres bons comme "échanger", et nous enseignons cela au deuxième modèle.

Le premier modèle est testé non seulement dans la zone de formation mais aussi dans la zone supplémentaire et le second modèle est formé dans les deux zones.

Nous répétons cette opération plusieurs fois, en réentraînant les deux modèles sur le même ensemble de données. Les résultats s'améliorent progressivement sur les échantillons. Mais pas toujours sur l'échantillon de contrôle.

Parallèlement à cela, nous conservons un journal des mauvaises transactions cumulées pour toutes les passes, toutes les "mauvaises" transactions pour "ne pas échanger" sont collectées dans ce journal pour l'entraînement du second modèle et filtrées selon un certain principe : plus il y a de copies de mauvaises transactions pour toutes les passes, plus il y a de chances de les marquer comme "ne pas échanger".

to_mark = BAD_SAMPLES_BOOK.value_counts()
mean = to_mark.mean()
marked_idx = to_mark[to_mark > mean*bad_samples_fraction].index
pr2.loc[pr2.index.isin(marked_idx), 'meta_labels'] = 0.0

Par exemple, pour chaque date, un certain nombre de mauvaises transactions est accumulé pour toutes les itérations de l'apprentissage, lorsque ce nombre dépasse un seuil (moyenne, moyenne), ces transactions sont marquées comme "ne pas négocier". Les autres transactions sont ignorées, sinon il serait possible d'exclure toutes les transactions s'il y a beaucoup d'itérations d'entraînement.

bad_samples_fraction

Le coefficient vous permet d'ajuster le nombre de transactions à la sortie, plus il est faible, plus le nombre de transactions filtrées est élevé.

... à ce stade, je suis déjà fatigué d'écrire ...

Comment améliorer une telle combinaison de modèles pour qu'elle améliore ses résultats sur une nouvelle parcelle indépendante ?
Y a-t-il une philosophie qui explique pourquoi cela pourrait fonctionner ? Outre le fait que les modèles s'améliorent naturellement les uns les autres (l'erreur diminue) à chaque cycle de réentraînement, mais comment se débarrasser de l'ajustement ?

Illustration. Le graphique est divisé en 3 parties. Le dernier forme le premier modèle, l'avant-dernier et le dernier le second, le premier tiers est un échantillon d'examen. Naturellement, la dernière section sera la meilleure et le premier tiers la pire.

Ici, il y a eu 15 itérations de réentraînement des deux modèles, en utilisant le journal des mauvaises transactions.

Iteration: 0, R^2: 0.025863859193577587
Iteration: 1, R^2: 0.20881945768090338
Iteration: 2, R^2: 0.38691567117849557
Iteration: 3, R^2: 0.8538667616323108
Iteration: 4, R^2: 0.6289257079331403
Iteration: 5, R^2: 0.49590724745042913
Iteration: 6, R^2: 0.6899198178561211
Iteration: 7, R^2: 0.7914478307518835
Iteration: 8, R^2: 0.6271633947453318
Iteration: 9, R^2: 0.5022724259087565
Iteration: 10, R^2: 0.8568310685006555
Iteration: 11, R^2: 0.042448644454852524
Iteration: 12, R^2: -0.17980715185584073
Iteration: 13, R^2: 0.8294648122002825
Iteration: 14, R^2: 0.7615234602466088