L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 99
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
La classificazione non è una panacea o uno strumento per fare il graal.
La prima cosa che fa l'applicazione della classificazione è applicare gli strumenti ai problemi ai quali gli strumenti sono applicabili. Per esempio, l'idea di applicare l'analisi spettrale ai mercati finanziari è stata discussa molte volte, tutti apparentemente grandi strumenti, ma per altri oggetti, ah, no, offerti di nuovo.
Secondo. La classificazione è abbastanza applicabile ai mercati finanziari, ma ci sono molti problemi, come è stato scritto sopra. Ma nella classificazione possiamo mettere il problema principale - il problema del retraining (overfitting) del TS. Cosa c'è di più importante? Non è bello, certo, essere privati dell'illusione di avere un graal preferito, ma ecco la scelta: la felicità è buona, ma la verità è meglio?
Terzo. La classificazione pone la domanda in modo specifico: cosa stiamo prevedendo. Confrontiamolo con l'AT. Prendiamo degli indicatori. È sempre una barra [1]. La barra attuale non viene utilizzata. Cosa significa per H1? Usiamo le informazioni sulla freschezza oraria per prevedere l'entrata nel mercato! Questo è nel migliore dei casi.
Questo è completamente diverso nella classificazione. Si prende il valore attuale della variabile target e lo si abbina ai dati grezzi di ieri - spostando il target di una o più barre. Utilizzando un modello adattato a tali dati, si prevede sempre realisticamente il futuro quando arriva la prossima barra.
PS.
Se avete intenzione di usarlo per prevedere bruschi movimenti di mercato (notizie), avrete successo se riuscirete a generare una variabile target, e questo è un grosso problema in casi molto più semplici.
Sottoscrivo tutto questo.
Non conosco lo spettro, non l'ho mai usato.
Secondo. La classificazione è abbastanza applicabile ai mercati finanziari, ma ci sono molte complessità, come scritto sopra. Ma quando si classifica si può mettere il problema principale - il problema del retraining (overfitting) del TS. Cosa c'è di più importante? Non è bello, certo, essere privati dell'illusione di avere il proprio graal preferito, ma ecco la scelta: la felicità è buona, ma la verità è meglio?
Ecco, ecco! Abbiamo solo un problema: la sovra-educazione. E pesa su tutti. Il rovescio della medaglia è la sotto-educazione (e i cattivi risultati ovunque).
Vi ho postato dei bei grafici qui, Monte Carlo incluso. Fondamentalmente, sono giunto alla conclusione che ho adattato i dati a un segmento fuori campione senza addestrare il modello (o i modelli) su di esso. Mi sembra di avere modelli che passano bene fuori dal campione. Ma il problema è che finché non posso vedere l'out-of-sample, NON posso selezionare un modello funzionante. Che peccato.
Ecco, ecco! Abbiamo solo un problema: la riqualificazione.
Penso che il problema sia tutt'altro, sai.......
L Cosa sono, un medico? Ecco Sanych che scrive:
"Qui stiamo discutendo le previsioni basate sulla classificazione, che non tengono conto dello stato precedente quando si prevede la barra successiva. Le predizioni (previsioni) basate sulla classificazione sono previsioni basate su modelli. E se c'è stata una notizia nel passato che ha portato a un cambiamento che NON segue dai valori precedenti (non estrapolati), allora la classificazione coglierà quel cambiamento come tale e se c'è un cambiamento simile nel futuro (non esattamente lo stesso, ma simile) sarà riconosciuto e sarà fatta una previsione corretta. "
Quindi penso che valga la pena di scavare in questa direzione:"la classificazione coglierà un tale cambiamento come tale".
Finalmente ci sono delle persone ragionevoli nel thread.
Ci hai pensato bene?
Lo faccio sempre. Pensare male non funziona :-)
nessun modo
Vi ho postato dei bei grafici qui, Monte Carlo incluso. Fondamentalmente, sono giunto alla conclusione che ho adattato i dati a un segmento fuori campione senza addestrare il modello (o i modelli) su di esso. Mi sembra di avere modelli che passano bene fuori dal campione. Ma il problema è che finché non posso vedere l'out-of-sample, NON posso selezionare un modello funzionante. Che peccato.
Avete provato il comitato? Se gbm viene addestrato più volte con gli stessi parametri sugli stessi dati, il risultato sui nuovi dati sarà leggermente diverso ogni volta. Se scegliete un modello a caso, allora forse sarete fortunati e lo scambio andrà bene, forse no, non potete indovinare in questo modo. In questo caso dovreste addestrare decine (centinaia?) di modelli e il risultato finale sarà quello predetto dalla maggioranza dei modelli.
Per esempio: a sinistra c'è la simulazione dei risultati commerciali di 100 modelli. Puoi vedere che prendendo un solo modello hai quasi il 50% di possibilità di perdere.
Sul lato destro è il commercio dalla decisione del comitato di questi modelli, senza casualità, tutto è chiaro e quasi stabile verso l'alto.
L'esperimento è il criterio della verità - non pensare, fai
Personalmente penso che l'analisi spettrale sia più promettente, ma sono solo io...
La prima cosa che fa l'applicazione della classificazione è applicare gli strumenti ai problemi ai quali gli strumenti sono applicabili. Per esempio, l'idea di applicare l'analisi spettrale ai mercati finanziari è stata discussa molte volte, tutti apparentemente grandi strumenti, ma per altri oggetti, ah, no, ancora una volta viene proposta.
Secondo. La classificazione è abbastanza applicabile ai mercati finanziari, ma ci sono molti problemi, come è stato scritto sopra. Ma nella classificazione possiamo mettere il problema principale - il problema del retraining (overfitting) del TS. Cosa c'è di più importante? Non è piacevole, certo, essere privati dell'illusione di avere un amato graal, ma ecco la scelta: la felicità è buona, ma la verità è meglio?
Terzo. La classificazione pone la domanda in modo specifico: cosa stiamo prevedendo. Confrontiamolo con l'AT. Prendiamo degli indicatori. È sempre una barra [1]. La barra attuale non viene utilizzata. Cosa significa per H1? Usiamo le informazioni sulla freschezza oraria per prevedere l'ingresso sul mercato! Questo è nel migliore dei casi.
Questo è completamente diverso nella classificazione. Si prende il valore attuale della variabile target e lo si abbina ai dati grezzi di ieri - spostando il target di una o più barre. Usando un modello adattato su tali dati, stai sempre prevedendo realisticamente il futuro quando arriva la prossima barra.
Se avete intenzione di usarlo per prevedere bruschi movimenti di mercato (notizie), allora avrete successo se potete generare una variabile target, che è un grosso problema in casi molto più semplici.
Sei imparentato con Sanych?
Sì, lo sono. Il classificatore Naive Bayesian, come filtra lo spam, funzionerà qui o no?
Per quanto riguarda le notizie, niente da fare! Alcune notizie saranno così riqualificate in tutte le fessure, che non serviranno a niente. Ho fatto degli esempi.