Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 510

 
Dr. Trader:

Executado o código do artigo, tudo funcionou da primeira vez.
A versão de R é 3.4.2, mas acho que não importa muito.


Eu tenho o R aberto... deve ser culpa.

 
Aleksey Terentev:
Só algumas pessoas aqui estão a classificar os preços. É para eles.

O tipo de classificação é determinado pelo professor, com o qual você tem que ser muito cuidadoso.

Se o guru é tendências (padrão de tendência), deve haver uma quantidade igual (aproximadamente) para cima e para baixo. Mas não está claro onde estão os lados... E se há de lado, não está claro: o que está para cima e o que está para baixo. Há um impasse com as tendências.

Portanto, o mais promissor, e é isso que está sendo discutido aqui, é prever aumentos de preços. Mas para ela e para o professor é diferente, não é o mesmo que para as tendências.

A propósito, ninguém está classificando os preços aqui.


Se você gosta deprevisões de séries cronológicas, é melhor ler os artigos.

O seu link é apenas séries cronológicas estacionárias? A julgar por suavização exponencial, sim. Não há séries cronológicas estacionárias nos mercados financeiros.

O artigo a que se refere não tem nada a ver com previsão - é uma extrapolação da curva na forma analítica. E se houver uma lacuna? E se houver um Draghi ou algo assim?

 

Períodos de amostragem automática de 3 atributos diferentes por RMSE mais baixo, pode ser visto que a importância dos atributos no mercado varia significativamente ao longo do tempo, tanto em valores absolutos como em relação a outros atributos. Ocasionalmente há períodos estáveis quando os mesmos períodos dos atributos são mantidos ou variam ligeiramente, mas em geral a variabilidade é grande. Isto é apenas um pequeno recorte. Todos os palpiteiros têm uma forma estacionária.

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

Ou seja, para colocar em termos estatísticos estúpidos, a hipótese nula de um padrão constante no mercado não é confirmada

Conclusão: devemos criar pelo menos 2 modelos: um irá selecionar atributos informativos em tempo real, e o outro irá aprender e reciclar sobre eles. Isto requer um sistema em que a variação dos sinais terá um efeito, ou seja, temos de considerar tudo isto como um sistema completo.

 
Maxim Dmitrievsky:

Conclusão: precisamos de fazer pelo menos 2 modelos: um irá seleccionar características informativas em tempo real e o outro irá aprender e reciclar sobre elas.

Para mim essa não é a conclusão correcta, porque o modelo estará sempre um passo atrás, sempre um passo desactualizado em relação às características existentes no mercado... A mesma média de atraso...

 
Dr. Trader:

Existe a ideia de que, para treinar um modelo de classificação, o número de aulas deve ser equilibrado de modo a que o número de exemplos de treino com a classe "1" coincida com o número de exemplos de treino com a classe "2" (e remover exemplos desnecessários).

Vejo requisitos semelhantes para modelos de regressão, mas é mais complicado - o número de exemplos com nível "0,001" deve ser igual ao número de exemplos de treino com nível "-0,001",
o número de exemplos com o alvo 0,002 deve ser igual ao número de exemplos com o alvo -0,002, etc.

Aqui está um guião para fazer este equilíbrio

No caret tudo já está implementado, diferentes tipos de alinhamento de classes, infelizmente eu não me lembro como essas funções são chamadas, eu mexi com isso há muito tempo.
 
mytarmailS:

Para mim, a conclusão está errada, pois o modelo estará sempre um passo atrás, sempre um passo desactualizado em relação às características actuais do mercado... A mesma média de desfasamento miserável...


Sim, mas não... ou seja, melhor do que sem ele.

 
Elibrarius:
O que significa essencialmente?
Se o dólar subir durante vários meses seguidos (houve uma tendência), então, ao suavizarmos o número de exemplos de treino, mostraremos NS como se fosse plano durante todo este tempo. E, consequentemente, aprenderá a achatá-lo. Está correcto? Talvez, ainda devêssemos ensiná-lo a ter tendência?

E se o preço começar a cair com os novos dados? O modelo espera que ele se eleve. Em tal situação, o modelo que estou usando começa a ficar um pouco monótono e se senta em negociações por um longo tempo, ultrapassando o limite.

 
Maxim Dmitrievsky:

Sim, mas não... Quero dizer, é melhor do que sem ele.

O que posso dizer, experimente, partilhe as suas experiências, é isso que é interessante de ler.

Tentei reeducar o modelo em todos os bares...

Sim- o modelo funciona melhor do que um modelo estático (uma vez treinado)

Não - o modelo não pode ser chamado de funcionando

p.s. Espero que consigas fazer melhor.
 
mytarmailS:

O que posso dizer, experimente, partilhe as suas experiências, é isso que é interessante de ler.

Tentei reeducar o modelo em todos os bares...

Sim- o modelo funciona melhor do que um modelo estático (uma vez treinado)

Não - o modelo não pode ser chamado de funcionando

p.s. Espero que faça melhor.

Eu estou fazendo o modelo para não ter nenhum tipo de retração e ter certos parâmetros ajustados no otimizador, mas há constante ajuste de características através de outro modelo que sempre dá os mesmos resultados, mas devido a períodos de mudança de características, ou dá sinais mais ou menos dirigidos de forma diferente, dependendo do mercado. Por exemplo, pequenos períodos de previsão são bons para o mercado plano, mas os períodos mais longos para a tendência. É claro que ainda há um atraso, mas a questão é o quão crítico ele é. Mas como tudo é otimizado cumulativamente por algum período, obtemos um estilo super adaptativo.

Bem, em resumo, é a minha fantasia, eu mostro-te quando acabar )

 
Maxim Dmitrievsky:

Eu faço com que o modelo não seja de forma alguma para re-treinamento, mas para ter certos parâmetros ajustados no otimizador, mas há constante ajuste de características através de outro modelo, para que o primeiro dê sempre os mesmos resultados, mas porque os períodos de mudança de características ele produz sinais mais direcionados de forma diferente ou menos, dependendo do mercado. Por exemplo, pequenos períodos de previsão são bons para o mercado plano, mas períodos mais longos para a tendência. É claro que ainda há um atraso. A questão é o quão crítico é.

Bem, estas são as minhas fantasias, eu mostro-te quando as acabar )


o que você quer dizer com "períodos de características/previsões"? )

Razão: