L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 612

 
Yuriy Asaulenko:
Non ha provato, ha studiato)). Sono contento che vi sia piaciuto. (Dovresti leggere di più.) In effetti si risparmia un sacco di tempo - non c'è bisogno di reinventare le biciclette, tutto è stato inventato prima di noi.

I predittori di input sembrano essere convertiti in immagini e la rete viene addestrata su di esse.

Qui.

 

Buon documento, ho visto questo link su gotay un paio di mesi fa, non è tanto su ML in sé, ma sui dati che usano, con una grande raccolta di link a siti, che è molto prezioso info, davvero prezioso.

 
Maxim Dmitrievsky:

Sono passato a Wiener - mi chiedo quando quei libri saranno finiti :) anche lui stava praticamente cercando di fare delle previsioni

Anch'io stavo languendo che tutti i libri che ho pianificato non avrò il tempo di leggere e per 10 vite, ma poi hanno guardato su un'altra mano, da un partito positivo, mentre c'è una motivazione fisiologica per "binge" lettura letteratura scientifica, Il cervello non è chiaramente in pericolo di follia, e seriamente, la risposta in RANGE, messo in Excel, mettere un rating di importanza, ordinati (periodicamente) e leggere la maggior parte superiore che non hanno letto e non preoccuparsi più con la quantità, sapendo che si legge il più importante.
 
elibrario:

Sulla sezione di prova, come la maggior parte, l'errore è sull'orlo del 50%. Ma almeno conta decine di volte più velocemente di Alglib. Se qui il calcolo del modello per 40-100 minuti, il Alglib-e più di un giorno di attesa per la stessa struttura, non ha aspettato e disabilitato il calcolo.
Ma se ora devo raccogliere i modelli nel ciclo, ci vorrà ancora molto tempo.... Devo anche programmare il tutto.
In generale, questo è un tempo lungo, dato che non si mettono limiti di tempo al MO.

Interessante - così ho scavato)

Sorpreso. Che tipo di modello è quello che conta per più di un'ora?

Dovrebbero essere 1-2 minuti al massimo.

 

Fratelli, come volevate ottenere un modello in 1-2 minuti di ottimizzazione che sarà rilevante per un mercato così complesso come il forex????

Secondo me questo è un'assurdità logica. Dopo tutto, la costruzione di un modello comporta risorse computazionali che possono essere tradotte in costi. Così ogni modello ha il suo valore sotto forma di risorse deducibili spese per la sua creazione. E ora una domanda. Vuoi fare soldi con modelli che costano pochi centesimi? Immagino che si possano fare spiccioli, ma non più di questo.... IMHO

 

Il link qui sopra era

Non lo sono:

http://www.valuesimplex.com/articles/JPM.pdf

Ed ecco un'immagine di questo libro, scritto da una banca molto rispettata:



Perché nessuno sta discutendo di ciò che è elencato qui come modello di instabilità, tranne me?

 
SanSanych Fomenko:

Il link qui sopra era

tossico:

http://www.valuesimplex.com/articles/JPM.pdf

Ed ecco un'immagine di questo libro, scritto da una banca molto rispettata:



Perché nessuno sta discutendo di ciò che è elencato qui come modello di instabilità, tranne me?

Che cos'è?
 
Mihail Marchukajtes:

Bros, come volevi ottenere un modello in 1-2 minuti di ottimizzazione che sarà rilevante per un mercato così complesso come il forex????

Secondo me questo è un'assurdità logica. Dopo tutto, la costruzione di un modello comporta risorse computazionali che possono essere tradotte in costi. Così ogni modello ha il suo valore sotto forma di risorse deducibili spese per la sua creazione. E ora una domanda. Vuoi fare soldi con modelli che costano pochi centesimi? Immagino che si possano fare spiccioli, ma non più di questo.... IMHO

No. Per quanto ho capito era una questione di tempo di allenamento, non di ottimizzazione. L'ottimizzazione è di 20-30 minuti, naturalmente.
 
SanSanych Fomenko:

Per il trading, l'idea dell'ottimizzazione del modello (TS) sembra altamente discutibile, perché qualsiasi ottimizzazione è alla ricerca di picchi / depressioni, e noi non ne abbiamo bisogno. Abbiamo bisogno, idealmente, di plateau piatti, il più grande possibile. Questi plateau dovrebbero avere una proprietà notevole: i cambiamenti nei parametri del modello NON dovrebbero portare all'evasione del plateau.

Si tratta di ottimizzazione.

In effetti, qui dovremmo aggiungere anche il problema della stabilità dei parametri del modello che, se cambiano, sono all'interno di un intervallo di confidenza piuttosto stretto (5%). Mi sembra che la stabilità dei parametri del modello risulti nella situazione in cui la performance del modello è ad un certo plateau e se improvvisamente otteniamo un ottimo risultato mentre testiamo il modello significa che abbiamo raggiunto il punto di minimax, abbiamo ottenuto una condizione instabile che non si verificherà mai nella pratica, inoltre uno stop-out sarà situato intorno a questo punto ottimale.

PS.

A proposito, nel tester gli sviluppatori hanno fornito la possibilità di cercare un altopiano per colore. Personalmente, uso il tester come strumento di rifinitura e prendo i parametri che si riferiscono a un quadrato con quadrati dello stesso colore intorno. Questa è una chiara espressione del mio concetto di "plateau".

Negli Expert Advisors del mercato ho visto spesso che i buoni parametri di trading formano dei plateau nella funzione di ottimizzazione. Se c'è MA o RSI o qualche altro coefficiente, cambiare un parametro di un piccolo valore non ha influenzato il risultato finale.

Ma è logico, la maggior parte dei parametri lì sono utilizzati nella formula per il calcolo dell'indicatore, quindi un piccolo cambiamento influenzerà solo leggermente il risultato, che sarà ancora calcolato agli stessi prezzi.

E nel machine learning al contrario - i parametri possono avere un effetto valanga sull'intero corso dell'apprendimento e anche un piccolo cambiamento porta a un risultato completamente diverso. Per esempio, il numero di neuroni in uno strato nascosto - come il loro numero aumenta il numero di pesi utilizzati crescerà e la funzione per l'inizializzazione dei pesi utilizzando gpscp imposterà i loro valori in un ordine leggermente diverso, che porterà a un risultato diverso.
Cambiando alcuni parametri, si disegnerà anche un plateau nella funzione di ottimizzazione, possiamo studiare per ogni parametro in modo regolare o stocastico la sua influenza sulla valutazione finale del modello, e per i parametri che influenzano in modo regolare possiamo anche usare un ottimizzatore basato sulle derivate (funzioni optim(method="L-BFGS-B") e optimize() in R)

 
SanSanych Fomenko:

Il link qui sopra era

tossico:

http://www.valuesimplex.com/articles/JPM.pdf

Ed ecco una foto di questo libro, scritto da una banca molto rispettata:



Perché nessuno sta discutendo di ciò che è elencato qui come modello di instabilità, tranne me?

Qui si parla di errore sui dati di allenamento e di errore nella predizione. L'essenza del quadro è che quando si minimizza l'errore si ottiene l'overtraining e l'intero punto di creare e regolare il modello è quello di ridurre questo errore al valore ottimale sui nuovi dati (evitare l'overtraining).

Buona illustrazione.
Motivazione: