L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 510

 
Ildottor Trader:

Eseguito il codice dell'articolo, tutto ha funzionato la prima volta.
La versione di R è 3.4.2, ma non credo che conti molto.


Ho la R aperta... deve essere la colpa.

 
Aleksey Terentev:
Solo alcune persone qui stanno classificando i prezzi. È per loro.

Il tipo di classificazione è determinato dall'insegnante, a cui bisogna fare molta attenzione.

Se il guru è il trend (trend pattern), allora ci dovrebbe essere una quantità uguale (approssimativamente) su e giù. Ma non è chiaro dove sono i laterali... E se ci sono dei laterali, non è chiaro: cosa è su e cosa è giù. C'è una situazione di stallo con le tendenze.

Pertanto, il più promettente, ed è quello di cui si discute qui, è la previsione dell'aumento dei prezzi. Ma per esso e l'insegnante è diverso, non lo stesso che per le tendenze.

A proposito, nessuno sta classificando i prezzi qui.


Se siete interessati allaprevisione delle serie temporali, è meglio leggere gli articoli.

Il tuo link è solo serie temporali stazionarie? A giudicare dallo smoothing esponenziale, sì. Non ci sono serie temporali stazionarie nei mercati finanziari.

L'articolo a cui ti riferisci non ha niente a che fare con le previsioni - è un'estrapolazione della curva in forma analitica. E se c'è un vuoto? E se ci fosse un Draghi o qualcosa del genere?

 

Periodi di autocampionamento di 3 diversi attributi per RMSE più basso, si può vedere che l'importanza degli attributi nel mercato varia significativamente nel tempo, sia in valori assoluti che relativi ad altri attributi. Occasionalmente ci sono periodi stabili in cui gli stessi periodi degli attributi si tengono o variano leggermente, ma in generale la variabilità è grande. Questo è solo un piccolo ritaglio. Tutti i predittori hanno una forma stazionaria.

2017.10.20 16:56:12.405 2017.06.05 03:15:00   39 48 45
2017.10.20 16:56:13.105 2017.06.05 03:30:00   40 49 46
2017.10.20 16:56:13.793 2017.06.05 03:45:00   41 49 47
2017.10.20 16:56:14.481 2017.06.05 04:00:00   42 49 49
2017.10.20 16:56:15.168 2017.06.05 04:15:00   43 49 49
2017.10.20 16:56:15.853 2017.06.05 04:30:00   44 49 49
2017.10.20 16:56:16.538 2017.06.05 04:45:00   45 49 49
2017.10.20 16:56:17.255 2017.06.05 05:00:00   46 49 49
2017.10.20 16:56:17.981 2017.06.05 05:15:00   47 49 49
2017.10.20 16:56:18.673 2017.06.05 05:30:00   48 49 49
2017.10.20 16:56:19.368 2017.06.05 05:45:00   49 49 49
2017.10.20 16:56:20.038 2017.06.05 06:00:00   48 49 49
2017.10.20 16:56:20.760 2017.06.05 06:15:00   49 49 49
2017.10.20 16:56:21.429 2017.06.05 06:30:00   24 6 49
2017.10.20 16:56:22.136 2017.06.05 06:45:00   5 6 49
2017.10.20 16:56:22.824 2017.06.05 07:00:00   5 6 49
2017.10.20 16:56:23.495 2017.06.05 07:15:00   27 7 6
2017.10.20 16:56:24.200 2017.06.05 07:30:00   6 7 5
2017.10.20 16:56:24.901 2017.06.05 07:45:00   5 7 6
2017.10.20 16:56:25.603 2017.06.05 08:00:00   6 6 5
2017.10.20 16:56:26.275 2017.06.05 08:15:00   7 7 5
2017.10.20 16:56:26.963 2017.06.05 08:30:00   4 5 5
2017.10.20 16:56:27.694 2017.06.05 08:45:00   5 6 6
2017.10.20 16:56:28.415 2017.06.05 09:00:00   6 7 7
2017.10.20 16:56:29.118 2017.06.05 09:15:00   13 8 16
2017.10.20 16:56:29.826 2017.06.05 09:30:00   12 12 17
2017.10.20 16:56:30.546 2017.06.05 09:45:00   17 13 19
2017.10.20 16:56:31.242 2017.06.05 10:00:00   18 16 20
2017.10.20 16:56:31.978 2017.06.05 10:15:00   19 18 21

Cioè, per dirla in stupidi termini statistici, l'ipotesi nulla di un modello costante nel mercato non è confermata

Conclusione: dovremmo creare almeno 2 modelli: uno selezionerà gli attributi informativi in tempo reale, e l'altro imparerà e si riaddestrerà su di essi. Questo richiede un sistema in cui variare i segni avrà un effetto, cioè dobbiamo considerare il tutto come un sistema completo.

 
Maxim Dmitrievsky:

Conclusione: dovresti fare almeno 2 modelli: uno selezionerà le caratteristiche informative in tempo reale e l'altro imparerà e si riaddestrerà su di esse.

Per me non è la conclusione giusta, perché il modello sarà sempre un passo indietro, sempre un passo indietro rispetto alle caratteristiche del mercato esistente... La stessa media ritardata mobile...

 
Ildottor Trader:

C'è l'idea che per addestrare un modello di classificazione, il numero di classi dovrebbe essere bilanciato in modo che il numero di esempi di formazione con classe "1" coincida con il numero di esempi di formazione con classe "2" (e rimuovere gli esempi inutili).

Vedo un requisito simile per i modelli di regressione, ma è più complicato - il numero di esempi con livello "0.001" dovrebbe essere uguale al numero di esempi di allenamento con livello "-0.001",
il numero di esempi con l'obiettivo 0,002 dovrebbe essere uguale al numero di esempi con l'obiettivo -0,002, ecc.

Ecco uno script per fare questo bilanciamento

In caret tutto è già implementato, diversi tipi di allineamento delle classi, purtroppo non ricordo come sono chiamate queste funzioni, mi ci sono dilettato molto tempo fa.
 
mytarmailS:

Per quanto mi riguarda la conclusione è sbagliata perché il modello sarà sempre un passo indietro, sempre un passo indietro rispetto alle caratteristiche attuali del mercato... Lo stesso scorrimento in ritardo della media miserabile...


sì ma no... cioè meglio che senza

 
Elibrarius:
Cosa significa essenzialmente?
Se il dollaro sale per diversi mesi di fila (c'è stata una tendenza), allora smussando il numero di esempi di allenamento, mostreremo NS come se fosse stato piatto durante tutto questo tempo. E di conseguenza lo imparerà in modo piatto. È corretto? Forse, dovremmo ancora insegnarlo alla tendenza?

E se il prezzo comincia a scendere con i nuovi dati? Il modello si aspetta che aumenti. In una situazione del genere il modello che sto usando comincia a diventare un po' noioso e si siede in scambi per molto tempo, overshooting.

 
Maxim Dmitrievsky:

Sì, ma no... Voglio dire, è meglio che senza.

Che dire, provate, condividete le vostre esperienze, è questo che è interessante leggere

Ho provato a riqualificare il modello su ogni barra...

- il modello funziona meglio di un modello statico (una volta addestrato)

No - il modello non può essere chiamato funzionante

p.s. Spero che tu possa fare meglio
 
mytarmailS:

Che dire, provate, condividete le vostre esperienze, è questo che è interessante leggere

Ho provato a riqualificare il modello su ogni barra...

- il modello funziona meglio di un modello statico (addestrato una sola volta)

No - il modello non può essere chiamato funzionante

p.s. Spero che tu faccia meglio.

Sto facendo in modo che il modello non si riqualifichi affatto e che certi parametri siano regolati nell'ottimizzatore, ma c'è un adattamento costante delle caratteristiche attraverso un altro modello che dà sempre gli stessi risultati, ma a causa dei periodi di cambiamento delle caratteristiche dà segnali più o meno diversi, a seconda del mercato. Per esempio, piccoli periodi di predittori sono buoni per il mercato piatto, ma quelli più lunghi per il trend. È chiaro che c'è ancora un ritardo, ma la questione è quanto sia critico. Ma poiché tutto è ottimizzato cumulativamente per un certo periodo, otteniamo uno stile super adattivo.

Beh, in breve, è la mia fantasia, ve la mostrerò quando avrò finito )

 
Maxim Dmitrievsky:

Faccio in modo che il modello non si alleni affatto, ma che abbia certi parametri regolati nell'ottimizzatore, ma c'è un adattamento costante delle caratteristiche attraverso un altro modello, in modo che il primo dia sempre gli stessi risultati, ma poiché i periodi delle caratteristiche cambiano, dà o più segnali diversamente diretti o meno, a seconda del mercato. Per esempio, i piccoli periodi dei predittori sono buoni per il mercato piatto, ma quelli più lunghi per il trend. È chiaro che c'è ancora un ritardo, la questione è quanto sia critico.

Beh, queste sono le mie fantasie, ve le mostrerò quando le avrò finite )


Cosa intendi per "periodi di caratteristiche/predittori"? )