L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1639
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
Sono completamente d'accordo.
Me lo sono chiesto molte volte, e penso che sia necessario confrontare i risultati di un sistema con il suo potenziale in un particolare settore.
Stavo proprio pensando a questo oggi, a come farlo meglio e più universalmente. Immagino che il processo di apprendimento consista in diverse fasi, la prima delle quali è la marcatura del campione, e si può marcare sulla base di alcune strategie di segnale. Queste strategie dovrebbero essere primitive ma hanno un potenziale, per esempio, l'attraversamento della MA da parte del prezzo genera un segnale di entrata nella direzione di tale incrocio o viceversa. Allora l'allenamento è solo un modo per filtrare i falsi segnali. Se tale ipotesi è accettata, possiamo calcolare quanto in percentuale tale filtraggio sia efficace in ogni intervallo di tempo. La più semplice sarebbe quella di calcolare l'accuratezza e la completezza della classificazione relativamente alla strategia di base. Ci sono altre opzioni: la metrica. Poi possiamo vedere come cambia l'efficacia del modello, anche se comincia a perdere soldi.
Sembra anche una buona idea costruire un sistema basato su un insieme completo di sistemi primitivi ma significativi. Completezza significa che è possibile scegliere sistemi redditizi da questo insieme per qualsiasi pezzo di quotazione. La significatività è all'incirca quello che lei chiama potenziale. Poi vado costruendo un portafoglio da questo set con pesi che dipendono dal tempo.
Ho un po' di pratica. Non ho notato alcun cambiamento in un mese dall'ultimo allenamento, anche dopo che il bitcoin è stato pesantemente perso. L'unica cosa che lo influenza è il periodo subito dopo il movimento dell'asset manipolato, durante questo periodo la neuronet è completamente persa e parla a vanvera, più ci si allontana da tale tempesta e più le previsioni diventano adeguate.
La pratica di solito dimostra che "gli alberi non crescono mai fino al cielo". Prima o poi il capitale/bilancio di qualsiasi EA/portafoglio inizierà a diminuire considerevolmente e qualcosa deve essere fatto.
È abbastanza sconcertante che il problema della non stazionarietà sia quasi completamente ignorato in questo thread. Per qualche ragione, si presume che i modelli trovati in passato funzioneranno in futuro, e se non funzionano, allora si è verificato un apprendimento eccessivo. Ma, è abbastanza possibile che alcuni modelli semplicemente smettano di funzionare nel tempo - gradualmente o anche a passi da gigante (per esempio come risultato di una crisi come quella attuale).
Il problema che vedo è che i modelli IO sono complessi e mal interpretati dagli umani. Se iniziano ad avere una cattiva performance, è impossibile distinguere (all'interno dei modelli) la variante dell'apprendimento eccessivo dalla variante della non stazionarietà. Nella normale analisi è sempre possibile dire: "cambiamento di tendenza", "rottura del livello/canale" ecc.
Ma penso che dovremmo prendere in considerazione la "fisica" delle quotazioni degli strumenti finanziari. La loro principale proprietà, secondo me, è il cambiamento, a volte molto veloce e drammatico, delle caratteristiche statistiche di una serie temporale. In questo senso sarebbe ragionevole creare prima un classificatore che ordinasse la storia in sezioni con caratteristiche statistiche simili e desse loro numeri da 1 a 20, diciamo. E poi, per ogni tipo di mercato simile, creare il proprio TS individuale. Ma non so davvero come trovare dei predittori per tale partizione di serie temporali in sezioni con caratteristiche statistiche simili.
Imho naturalmente, ma secondo me dovremmo affidarci alla "fisica" delle quotazioni degli strumenti finanziari. La loro principale proprietà, secondo me, è il cambiamento, a volte molto veloce e drastico, delle caratteristiche statistiche di una serie temporale. In questo senso sarebbe ragionevole creare prima un classificatore che ordinasse la storia in sezioni con caratteristiche statistiche simili e desse loro numeri da 1 a 20, diciamo. E poi, per ogni tipo di mercato simile, creare il proprio TS individuale. Ma come pensare a predittori per tale partizione di serie temporali in segmenti con caratteristiche statistiche simili - non posso davvero immaginare.
Di solito mi riferisco a queste aree come "stati di mercato". Ogni stato può essere abbinato a un portafoglio di sistemi primitivi. Suppongo che alcune reti ricorsive potrebbero essere utilizzate per segmentare il mercato in stati e confrontare i portafogli con essi.
Mi chiedo dove troverò una ragazza che capisce la rete neurale. Stavo cercando una ragazza che conosce le cose di rete neurale in modo da poter sproloquiare su tali argomenti dopo johnnshpokhan. Penso che dovremmo trasferirci nella capitale. È lì che sembrano concentrarsi tutti.
Di solito si deve scegliere tra johnanshpohan regolare o discorsi infiniti su questioni alte.
Ogni stato può essere abbinato a qualche portafoglio di sistemi primitivi.
Va bene, il punto è che la serie dei prezzi non è continua, è continua a tratti - a seconda della valatilità, questo di solito corrisponde al tempo di esecuzione delle sessioni
quindi la speranza di addestrare una rete neurale semplicemente infilandogli una serie di prezzi tende a zero, imho
ma se dividiamo la serie di prezzi per il tempo delle sessioni e la addestriamo per -sessione, allora perderemo l'informazione sull'ipercomprato.... quindi di nuovo il cerchio si chiude? - niente funziona
Di solito si deve scegliere tra johnanshpohan regolare o discorsi infiniti su questioni alte.
Va bene, il punto è che la serie dei prezzi non è continua, è continua a tratti - a seconda della valenza, questo di solito corrisponde al tempo di esecuzione della sessione
quindi la speranza di addestrare un neuronet presentandogli semplicemente una serie di prezzi tende a zero, imho
ma se dividiamo la serie di prezzi per il tempo delle sessioni e la addestriamo per -sessione, allora perderemo l'informazione sull'ipercomprato.... e il cerchio si chiude di nuovo? - niente funziona
Puoi sbarazzarti delle fluttuazioni di volatilità della sessione andando su uno zigzag o un renko, giusto? Naturalmente, la struttura temporale naturale ne soffrirà, ma si può introdurre il tempo normale come un indicatore impostato per ogni ginocchio/mattone.
Le fluttuazioni di volatilità della sessione possono essere eliminate passando a uno zigzag o a un renko, giusto? Naturalmente, la struttura temporale naturale ne soffrirà, ma è possibile introdurre il tempo normale come un indicatore impostato per ogni ginocchio/mattone.
Ho già perso tempo su di esso. Non solo perdo completamente le informazioni OHLC, ma in aggiunta ottengo un ritardo di 2 volte l'altezza del mattone Renko - ritarda molto
Lo stesso sarà probabilmente vero per ZigZag, ma non l'ho trattato direttamente