Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3005
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Foi uma chamada para pensar antes de fazer bobagens como transformar a série inicial em gráficos, quanta, níveis, senoides ou qualquer outra coisa que você tenha inventado.
O fato de que a tarefa não está definida corretamente, isso eu tenho dito aqui há muito tempo, a última vez há 10-20 páginas, então como se eu não tivesse nada para me ensinar, eu entendo tudo perfeitamente bem.....
A presença de um sinal constante nos dados significa quase imediatamente generalização, e o ruído se transforma em erros. Se não houver sinal, teremos memorização, em que o erro de classificação é simplesmente a sobreposição de amostras com rótulos diferentes e os mesmos valores de recursos. O segundo modelo não tem valor preditivo. Essa é a resposta ao meu refrão. E ela é confirmada por testes em dados sintéticos e reais.
As regularidades têm uma probabilidade flutuante, que pode ser cíclica ou pode desaparecer completamente. Eu trabalho com grandes intervalos de tempo e observei esses fenômenos.
Posso dizer que é possível treinar um modelo para 2008-2017 (10 anos), que funcionará até hoje. Esse modelo terá poucos sinais - Recall de até 30% no máximo, mas isso também diz que há poucos padrões para dez anos que funcionariam para os próximos dois anos (amostra de teste).
Mas que tipo de padrões são esses - cíclicos ou únicos (talvez com um ciclo de dezenas de anos) - ainda não podem ser estabelecidos e, portanto, é impossível selecionar um modelo que continuará funcionando.
Idealmente, é necessário encontrar padrões cíclicos com uma frequência de pelo menos uma vez a cada três meses, e então podemos esperar que o modelo seja capaz de sair do levantamento.
Um pacote desses modelos treinados em diferentes padrões cíclicos reduzirá o drawdown.
Portanto, o importante é o sinal inicial + alvo + preditores com regularidade cíclica positiva em relação ao alvo.
Sua abordagem - sacudir e peneirar - é semelhante ao trabalho de um garimpeiro - é claro que você pode encontrar muitas coisas interessantes e não aprendidas, mas como pode ter certeza de que elas serão estáveis?
Eu mesmo gosto de decifrar a data e tenho ideias nesse sentido, mas agora quero pesquisar no sentido de aumentar a probabilidade de estabilidade do modelo.
Sua abordagem - sacudir e peneirar - é como o trabalho de um garimpeiro - é claro que você pode encontrar muitas coisas interessantes e não aprendidas, mas como ter certeza de que elas serão estáveis?
Eu mesmo gosto de sacudir a data e tenho ideias nesse sentido, mas agora quero me aprofundar na direção de aumentar a probabilidade de estabilidade do modelo.
Escrevi um entendimento básico sem o qual não vale a pena fazer nada. Nem que seja para confirmar cada ponto (caso você não tenha entendido da primeira vez 🙂 )
Não estou contestando suas descrições e a abordagem em geral - eu mesmo a descrevi em essência há muito tempo, embora com uma implementação diferente.
Meus experimentos artificiais mostraram que muitas vezes é suficiente extrair linhas com 10 regularidades simples (no meu caso, um segmento quântico em que o valor do preditor caiu) para que toda a amostra mude a probabilidade em 15-20% para um, enquanto reduz a amostra em 35%. Isso não pode ser obtido por métodos de aprendizado de máquina. Em essência, essa é a lixiviação de dados inúteis/contraditórios. Mas queremos fazer isso mais perto da data atual, ou seja, não conhecendo estatisticamente o histórico, mas por meio de alguns métodos de seleção apenas de padrões falsos/contraditórios.
Se definirmos uma tarefa, de acordo com a qual o modelo deve funcionar em qualquer instrumento, então o teste é possível, mas há ainda menos padrões estáveis. E simplesmente correr pela história ou, pior ainda, usar sintéticos - não acho que isso seja eficaz. No máximo, é possível criar padrões sintéticos a partir de incrementos diários embaralhando os dias, mas isso ainda não está disponível para mim. Você já tentou fazer isso?
Estou completamente por fora do assunto, mas gostaria de saber se um preço pode ser representado por um gráfico e se ele tem alguma vantagem sobre a representação bidimensional usual.
Você poderia usar a representação de Mandelbrot do preço como uma floresta de árvores ternárias, em que cada movimento é dividido em três (dois movimentos na mesma direção e uma correção entre eles).
A vantagem é o acesso à coleta de qualquer estatística sobre a estrutura fractal do preço. As desvantagens são a complexidade dos algoritmos e a dificuldade de evitar olhar para o futuro.
E como isso se relaciona com as matrizes e os exemplos de plataformas "paralelas" que dei acima?
Por exemplo, pego as matrizes do link para o keras e as chamo:
e obtenho zeros.
O exemplo de controle não se encaixa.
A entropia cruzada categórica é usada em modelos de classificação em que há mais de duas classes. E depois de softmax. O softmax converte um conjunto de valores em um conjunto de probabilidades cuja soma é 1.
Tente um exemplo de controle como este:
pred: 0,1, 0,1, 0,2, 0,5, 0,1
true: 0, 0, 1, 0, 0, 0, 0
No máximo, é possível criar sintéticos a partir dos incrementos diários embaralhando os dias, mas isso ainda não está disponível para mim. Você já tentou fazer isso?
Podemos considerar a representação de Mandelbrot do preço como uma floresta de árvores ternárias, em que cada movimento é dividido em três (dois movimentos na mesma direção e uma correção no meio).
A vantagem é o acesso à coleta de quaisquer estatísticas sobre a estrutura fractal do preço. As desvantagens são a complexidade dos algoritmos e a dificuldade de evitar olhar para o futuro.
Isso pode ser representado como regras associativas?
Não pensei nisso, mas acho que é improvável, pois a ordem dos movimentos é importante nos preços.
Por via das dúvidas, uma imagem para ilustrar a ideia de Mandelbrot. Cada movimento de preço, se possível, é dividido em três movimentos (selecionando a correção máxima dentro dele) e, em seguida, torna-se um nó da árvore. Se não houver correção dentro do movimento (ou se ela for menor que um determinado valor), ele se tornará uma folha da árvore.