L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2595
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
Poi si scopre che bisogna allenarsi su una sezione più corta possibile. In modo che dopo il cambiamento del modello, il nuovo modello inizia a lavorare più velocemente.
Per esempio, se vi allenate per 12 mesi, allora dopo un cambio di modello in 6 mesi il nuovo e il vecchio modello saranno 50/50. E tra circa un anno ci sarà la formazione e il trading sul nuovo modello. Cioè per quasi un anno intero il modello è stato scambiato su un modello obsoleto e molto probabilmente in perdita.
Se vi allenate per 1 mese, il modello imparerà a lavorare di nuovo correttamente in un mese.
Sarebbe bene allenarsi per 1 settimana... Ma non ci sono abbastanza dati.
Non vale affatto la pena di andarci per un breve periodo, ne sono sicuro. E i dati saranno carenti per i modelli e il rischio di overfitting alle condizioni di mercato. Il concetto di adattamento sembra buono, ma a causa del ritardo (mentre i dati accumulati, lo stato può già essere cambiato) è difficilmente un graal. Diversi modelli possono essere provati allo stesso tempo - uno è responsabile dei modelli a lungo termine, un altro/altri per i modelli a breve termine (attuali), la soluzione è una funzione delle soluzioni di tutti questi modelli.
Ci sono questioni più interessanti dell'uso del MO nel trading. Per esempio, l'algoritmo per determinare quale intervallo di storia prendere per l'allenamento. Forse può essere impostato da alcuni meta-parametri che sono ottimizzati dalla crossvalidazione. Ho bisogno di leggere Prado).
Probabilmente è meglio rotolare in avanti, ha sempre OOS dopo il treno. Su SW solo il primo passaggio sarà così, altri useranno entrambi i dati pre e post-transizione per il trane.
Non vale affatto la pena di andarsene a breve termine, ne sono sicuro. E ci sarà una mancanza di dati per i modelli e un rischio di overfitting alle condizioni di mercato. Il concetto di adattamento sembra buono, ma a causa del ritardo (nel momento in cui si accumulano i dati, lo stato potrebbe essere già cambiato) è difficilmente un graal. Puoi provare diversi modelli contemporaneamente - uno è responsabile dei modelli a lungo termine, un altro/altri per i modelli a breve termine (attuali), la soluzione è una funzione delle soluzioni di tutti questi modelli.
Secondo recenti esperimenti su 5000 linee di M5 (circa 2 mesi) c'è qualcosa di interessante. A 3000 è già brutto. Ma questo è per i chip specifici + obiettivo presi. Forse c'è un diverso insieme di caratteristiche e di obiettivi quando il modello funziona dopo l'addestramento su una breve trama. Dovremo sperimentare...
Dipende dal numero di caratteristiche, mi piacciono più caratteristiche, di solito 5000 non è abbastanza, se hai fino a 5 caratteristiche, forse 5000 è ok.
Poi si scopre che bisogna allenarsi su una sezione più corta possibile. In modo che dopo il cambiamento del modello, il nuovo modello inizia a lavorare più velocemente.
Per esempio, se vi allenate per 12 mesi, dopo un cambio di modello in 6 mesi, il nuovo e il vecchio modello saranno 50/50. E dopo circa un anno ci sarà la formazione e il trading sul nuovo modello. Cioè per quasi un anno intero il modello è stato scambiato su un modello obsoleto e molto probabilmente in perdita.
Se vi allenate per 1 mese, il modello imparerà a funzionare di nuovo correttamente tra un mese.
Sarebbe bene allenarsi per 1 settimana... Ma non ci sono già abbastanza dati.
Riguardo al rumore, sì. Non ci ho pensato in termini di prendere sezioni della storia con e senza rumore, però. E a proposito, come si fa a capire questo prima dell'addestramento dei modelli? Tipo, iterativamente? Allenate tutta la sezione, vedete dove si comporta meglio, lasciate queste sezioni e allenate prima solo queste sezioni? Questo fa nascere la seconda domanda che può essere chiamata filosofica prima della validazione sperimentale: è meglio per il modello vedere immediatamente diverse aree, incluse quelle rumorose, ma allenarsi in media su dati rumorosi o allenarsi su dati più puliti, ma non vedere affatto i dati rumorosi?
E cosa c'è di sbagliato nelle taglie giganti? A parte l'aumento del tempo di calcolo?
Probabilmente meglio con un forwarder valking, ha sempre OOS dopo il trino. In SW, solo il primo passaggio sarà così, il resto userà i dati pre e post treno.
E se non si mescola, è come adattarsi a sezioni alternate di uguale lunghezza.
Probabilmente è meglio con un valking forwarder, ha sempre OOS dopo il trayn. In SW solo il primo passaggio sarà così, il resto userà sia prima che dopo l'OOS per i dati in coda.
Sono d'accordo con te se rispondi alla domanda "Come fare trading nel prossimo periodo? Se si risponde alla domanda "C'è un modello in questa sezione della storia?", allora il TOR è abbastanza applicabile.