Dov'è la linea di demarcazione tra l'adattamento e i modelli reali? - pagina 50
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
Sì, ne sono consapevole. Non ho intenzione di farlo. Ma è inutile preoccuparsene finché il computer non distingue il gatto dal gatto in base alle caratteristiche esterne.E quando succederà, il mercato avrà un aspetto completamente diverso... :о)
"L'effetto coda" è un fenomeno così comune nella TS ottimizzata che è noioso persino dimostrarlo.
L'unico modo per non rilevarlo effettivamente è quello di inseguire non il profitto ma di dimostrare che un modello non può esistere.
Buona fortuna.
Ho pensato e ripensato e mi è venuto in mente: la ricerca di modelli non va un po' più "in profondità" della vestibilità? Mi spiego con l'esempio di un esperimento che sto conducendo. C'è una rete neurale che uso. Di solito mi alleno per un'ora o due. Di solito ottengo il 30-50% dei risultati e poi supero con successo i test in avanti (1/6 di un periodo di allenamento). Problema di identificarli, il semplice indovinare funziona contro di me in questo caso. Ho cercato di insegnare 4 ore - purtroppo solo circa il 20% degli spedizionieri di successo. Conclusione: riqualificazione, un montaggio è andato. Frustrato e .... ha deciso di continuare ad allenarsi. 12 ore, stesso 20%. 24 ore, di nuovo il 20%, ma ho notato che passano gli attaccanti solo leggermente peggio del periodo di allenamento. Prima, anche i migliori risultati mostravano un notevole calo delle prestazioni, e questo 20% era in realtà il miglior risultato di allenamento di tutti i set. Una volta erano distribuiti più o meno uniformemente tra gli altri. La cosa si è fatta interessante. Ha trascorso quasi 72 ore di formazione fino ad oggi. Oh, miracolo. Dei primi 200 risultati, più di 123 superano con successo i test in avanti. Si può provare a giocare un gioco di indovinelli redditizio.
L'aumento del tempo di apprendimento ha portato a un miglioramento graduale del risultato nel periodo di campionamento. Il che è naturale. Il risultato di 72 ore ha superato quello di 2 ore di un fattore superiore a 4. Anche il risultato dell'OOS alla fine è migliorato, ma non c'è stata alcuna gradualità di cui parlare, c'è stato un fallimento evidente.
__________
Cosa vi dice questo?
Un'opzione triste e ovvia: sulla metodologia di allenamento imperfetta e sul sovraccarico di NS) Il GA classico è un po' pesante per insegnare NS, ma sì, c'è molto da mettere a punto... Il NS ha molta libertà, gli input del NS sono anche chiaramente ridondanti e non tutti abbastanza informativi, il NS li ha "esclusi" abbastanza spesso nel processo di apprendimento. Potremmo anche sperimentare l'architettura.
Ottimista e forse prematuro: un TS capace di identificare le regolarità con la sua "pancia", è semplicemente "obbligato" a farlo, per raggiungere il suo miglior risultato nel periodo di formazione. Naturalmente, se questi modelli sono significativi per questo risultato.
Tag. Non so cosa abbia a che fare questo argomento/holivar con la ricerca/nascita della verità, ma sembra che io sia riuscito a identificare da solo la risposta al tema del thread.
Il confine è tra la parte sinistra e la parte destra del grafico ed è definito come segue:
Se questo particolare TS, essendo ottimizzato sulla parte sinistra del grafico è statisticamente incline al "profit-tail "** sulla parte destra del grafico - allora c'è un modello.
Altrimenti è un montaggio inutile.
// statisticamente inclinato* - in questo contesto, intendiamo molteplici (1 ) spostamenti di timeframes di ottimizzazione e (2) cambio di strumenti di trading
// "Profit-tail "** - "after-effects". Più redditività statistica nel segmento futuro adiacente.
Questa definizione tiene conto della possibilità di modelli sia "eterni" chetemporali.
La linea segnata è accurata in senso qualitativo. Poi ci sono solo valutazioni quantitative (durata della vita, grado di manifestazione, ecc.). O il bidone della spazzatura.
Sono d'accordo al 100%.
Gerasim mette una nozione un po'diversa di fitting come nella ricerca di regolarità, equiparandole, cancellando così la linea. Ma sono solo diverse nel senso che quando si fa il fitting sulla storia - il sistema perde in avanti, ma quando si "sintonizza" sulla regolarità reale durante il periodo di ottimizzazione - in avanti è redditizio (almeno fino al 25% del periodo di ottimizzazione).
Questo è esattamente il bordo di cui hai scritto. Un'altra questione è come non trasformare la ricerca ("tuning to") di un modello reale in un adattamento basato sulla storia.
qui già dipende e tempo di ottimizzazione, passo di cambiamento dei parametri di input, preparazione dei parametri di input, ecc, tutti coloro che sono nel soggetto sa ed è guidato...
Ripeto - su questo argomento ("come...") potete guardare più in dettaglio qui.
1. Finora ha trascorso quasi 72 ore in allenamento. Oh, miracolo. Dei primi 200 risultati, più di 123 passano con successo il test di avanzamento. Puoi provare a giocare con profitto al gioco dell'indovinello.
L'aumento del tempo di allenamento ha portato a un graduale miglioramento dei risultati sul periodo di campionamento. Il che è naturale. Il risultato di 72 ore ha superato quello di 2 ore di più di 4 volte. Anche il risultato dell'OOS è migliorato nel lungo periodo, ma non c'è stato nessun gradualismo, è stato un fallimento evidente.
__________
2. cosa ti dice questo?
1. Se la riproduzione ripetuta dell'esperimento mostra la ripetibilità di questo "miracolo" per diversi tempi e popoli di strumenti, si può parlare di una regolarità del risultato ottenuto.
2. Finora, quasi niente. Vedi punto 1.
Lasciatemi provare a ragionare in modo logico.
1) Cos'è un modello? Lo stesso comportamento in termini di prezzo a certe condizioni.
2) Cosa descrivono le condizioni? Alcune caratteristiche selezionate di un grafico dei prezzi.
3) Le caratteristiche del grafico dei prezzi sono costanti? Generalmente non è costante.
4) Come si definisce una caratteristica? Per caratteristiche di tempo e di prezzo.
5) Quindi, quando è possibile lo stesso comportamento di prezzo? È possibile quando gli indicatori non sono costanti (diversi).
6) Cosa caratterizza un indicatore non variabile? Le caratteristiche di un processo guidato dal tempo e dal prezzo che descrive il cambiamento degli indicatori.
7) Quindi, cos'è un modello nel mercato? Una regolarità è lo stesso comportamento del prezzo quando ci sono certi cambiamenti nelle caratteristiche del processo considerando il tempo e il prezzo e descrivendo il cambiamento degli indicatori sul grafico del prezzo che descrive la regolarità.
Si scopre che la regolarità differisce dal fitting in quanto le condizioni di realizzazione della regolarità (lo stesso comportamento) cambiano sincronicamente con il cambiamento del grafico dei prezzi secondo certe leggi ma le stesse cose non cambiano nel fitting. Si scopre che le condizioni staticamente determinate possono raramente descrivere la regolarità, poiché ci sono molte meno caratteristiche costanti che variabili nel mercato. Fringe individua quindi i sistemi di analisi dinamica come il tipo con la migliore capacità di descrivere i modelli.
Sì, ne sono consapevole. Non ho intenzione di farlo. Ma fino a quando il computer non riuscirà a distinguere un gatto da un gatto per il suo aspetto, è inutile. E quando lo farà, il mercato avrà un aspetto completamente diverso... :о)
Lasciatemi provare a ragionare in modo logico.
1) Cos'è un modello? Lo stesso comportamento in termini di prezzo a certe condizioni.
Il prezzo non può essere lo stesso a certe condizioni. In parole povere, la probabilità che la storia si ripeta all'interno di un pip è vicina allo 0. La ragione di ciò è che c'è del rumore nelle citazioni.
Poiché l'AT si basa sulla ricerca di qualcosa nel passato per sfruttare questo qualcosa nel futuro, allora:
1. rumore - alcuni modelli del passato senza memoria - processi casuali. Poiché c'è dispersione, i modelli nei dati storici sono distribuiti in modo non uniforme, cioè densi, poi vuoti. Avendo incontrato un accumulo significativo di modelli di rumore che precedono un certo comportamento di prezzo con un'alta probabilità, il TS durante l'ottimizzazione (training) può considerare questi stessi modelli come "segnali di trading". Naturalmente, tali "modelli" sono molto improbabili per superare i test in avanti, poiché l'accumulo eccessivo in diverse parti dei dati storici è improbabile, mentre l'assenza di relazioni stabili di causa-effetto, cioè la memoria darà una perdita.
2. Segnali di trading reali - alcuni modelli passati che precedono un comportamento futuro dei prezzi, cioè processi non casuali con memoria. Poiché questi pattern precedono i segnali di trading, si accumulano uniformemente, cioè prima il pattern, poi il segnale di trading - una relazione di causa-effetto stabile (se è instabile - non è più un pattern). Se il TS identifica proprio questi modelli, almeno in parte, può superare i test di avanzamento.
Teoricamente, si potrebbe cercare di filtrare il rumore dai modelli. Cioè prendere tutti i segnali di trading sui test forward e dividerli in due categorie:
1. Il segnale mostra una perdita - rumore
2. Il segnale ha dato un profitto - un modello
Poi possiamo, per esempio, insegnare al NS a distinguere il rumore dai modelli tramite attributi aggiuntivi. Come risultato otteniamo TS con soppressore di rumore. Una certa percentuale di rumore trapelerà comunque, ma non ci sono soppressori di rumore al 100% in natura.
In breve, il bazar dovrebbe essere filtrato dai risultati dei test forward - out of sample, cioè OOS, ma non su un campione rappresentativo - Sample. Se si filtrano i segnali su Sample, cosa che molti stanno cercando di fare, si ottiene un adattamento al quadrato.
1. Il segnale ha dato una perdita - rumore
2. Il segnale ha dato un profitto - un modello
hahahahahahaha
È come dividere gli animali in "nocivi" e "utili"... Così anche qui - c'è un movimento di prezzo... Ma se ci abbiamo guadagnato un centesimo, allora ci accontentiamo di chiamarlo "legittimo"... Altrimenti è un "rumore" senza senso - certo, non ci ha fatto sentire meglio, deve essere un incidente...
Sciamani! Antropocentrici! Non fare arrabbiare Dio!
:)
Cosa c'entrano i gatti?
Risponderò con una canzone ( Eduard il Crudele)... Possiamo fare a meno dei gatti, ma il punto non cambia... Facciamo misurare alla macchina l'anima con un righello... e cerchiamo di rivelare delle regolarità. Ci sono senza dubbio, ma possiamo o guardarli tutti insieme (il che richiederà un bel po' di risorse) o non preoccuparci di aggiungere uno o più strumenti alla storia attuale, perché si adatta al cento per cento, e poiché è in realtà un moto browniano, possiamo ottenere solo risultati frammentari. Come qui per esempio (+/-/++/---/+/+/--/+/+/+/--/-/).Visivamente sembra che ci siano più plus, perché li vogliamo, ma in realtà non è così...
Probabilmente la prossima domanda è - Dov'è la canzone? :о))