Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2374

 

Prada deal marking

4 simple ways to label financial data for Machine Learning ⋆ Quantdare
4 simple ways to label financial data for Machine Learning ⋆ Quantdare
  • quantdare.com
We have seen in previous posts what is machine learning and even how to create our own framework. Combining machine learning and finance always leads to interesting results. Nevertheless, in supervised learning, it is crucial to find a set of appropriate labels to train your model . In today’s post, we are going to see 3 ways to transform our...
 
Maxim Dmitrievsky:

Prada deal marking.

Este material é mais interessante. Só não percebo, só funciona a partir da linha de comando? Alguém já olhou para ele?

SigCWGAN, a new generation GAN architecture for Time Series Generation. ⋆ Quantdare
SigCWGAN, a new generation GAN architecture for Time Series Generation. ⋆ Quantdare
  • quantdare.com
As a continuation to our last post on Time Series Signatures and our running list of posts regarding GANs and synthetic data we now want to present the Signature Conditional Wasserstein GAN, shortened as SigCWGAN, a new GAN architecture presented in [1] that is specifically designed to generate time series of arbitrary length and dimensions. 2...
 
Vladimir Perervenko:

Este material é mais interessante.

Este é outro tópico, que não está limitado aos GANs.

 
Maxim Dmitrievsky:

Marcador de negociação Prada

Linguagem obscura e funções desconhecidas... e o autor é enganador.

Por fixed_time_horizon() existe esta linha:

idx_lower = data[data[nome] < - limiar].index

ele escreveu acima que

limiar : int
O limiar constante pré-definido para calcular as etiquetas.

E as fotos abaixo não são int (ou seja, 0,1,2,3...), mas 0,05, 0,01...

Ficou mais claro com o dobro - isto é a mesma coisa que eu fiz com TP=SL=algum valor de mudança de preço.

Mas não está claro porque chamei o método e a função fixed_time_horizon(); onde está o tempo fixo? É uma mudança de preço fixo, não de tempo.

---------

Quanto ao método quantized_labelling() - eu não obtive nada do código. Suponho que não é um valor fixo, por exemplo 0,05, mas usando quantis que mudam com a volatilidade dos preços.

 
elibrarius:

Linguagem obscura e funções desconhecidas... e o autor é enganador.

Por fixed_time_horizon() existe esta linha:

idx_lower = data[data[nome] < - limiar].index

ele escreveu acima que

limiar : int
O limiar constante pré-definido para calcular as etiquetas.

E as fotos abaixo não são int (ou seja, 0,1,2,3...), mas 0,05, 0,01...

Com o dobro - tornou-se mais claro - é a mesma coisa que eu fiz com TP=SL=algum valor de mudança de preço.

Mas não está claro porque chamei o método e a função fixed_time_horizon(); onde está o tempo fixo? É uma mudança de preço fixo, não de tempo.

---------

Quanto ao método quantized_labelling() - eu não obtive nada do código. Suponho que não seja um valor fixo, por exemplo 0,05, mas o valor de quantil que continua a mudar com a volatilidade do preço.

Eu ainda não investiguei o código. O principal é a marcação não por gráfico, mas por incrementos. Isto leva a uma série de características interessantes, por exemplo, aplicar a marcação a um gráfico apertado ou a alguns componentes específicos do PB

deve haver uma impressão errada na int, não foi o Prado que escreveu isto, foram os tipos

horizonte fixo refere-se a um atraso incremental seleccionado, provavelmente

 
Maxim Dmitrievsky:

Eu não li o código. A principal não é a partição por gráfico, mas por incrementos. Isto leva a uma série de características interessantes, tais como a aplicação de particionamento a um gráfico esmaecido, ou a componentes específicos do PB

deve haver uma impressão errada na int, não foi o Prado que escreveu isto, foram os tipos

horizonte fixo refere-se a um atraso incremental seleccionado, acho eu.

Alguém lá fora ou é o Prado ou o seu tipo.

 

Pelo método quantized_labelling()

Vejo pouco sentido em ensiná-lo. Afinal de contas, você pode aprender bem a classificação em baixa volatilidade e pior em alta volatilidade. E então um erro de 40% em baixa volatilidade + 51% em alta volatilidade irá retornar a rentabilidade do sistema para cerca de 0. Porque muitos pequenos ganhos podem ser superados por várias grandes perdas.
 
elibrarius:

Alguém lá fora é estúpido ou o Prado ou os seus tipos.

Tudo é zshibizzy, devíamos tentar, mas eu vou fazer de outra forma.

o livro dele é um pouco diferente, acho eu. Sou demasiado preguiçoso para olhar.
 
Maxim Dmitrievsky:

Tudo bem, eu vou tentar, mas vou fazer de outra forma.

O livro dele descreve-o de forma diferente, acho eu. Sou demasiado preguiçoso para o procurar.
TP=SL=valor fixo que eu experimentei. O resultado é 50% em novos dados de validação cruzada.
Em quantiles eu não vejo o ponto, veja o post acima
 
elibrarius:
TP=SL Eu tentei. O resultado é 50% em novos dados de validação cruzada.
Em quantiles eu não vejo o ponto, veja o post acima

Aqui estão os incrementos, sem sl e tp

Eu fiz isto através do agrupamento, marcado. Em geral, a curva sobre os dados marcados não é grande, mas mais robusta sobre os novos dados
Razão: