FórumSeções

Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3091

Novo comentário
[Excluído]
Forester #:

Na página 8 até agora. E isso ainda é uma introdução)))
Parece que será uma comparação por Sharpe (mas eles escrevem que você pode usar qualquer outro indicador) na validação cruzada.

Pelo que entendi, 4 parâmetros devem ser otimizados

summary(my_pbo)
Performance function Omega with threshold 1

      p_bo      slope       ar^2     p_loss 
 0.3714286  1.6891000 -0.0140000  0.3430000
  • p_bo ( probabilidade de overtraining no backtest) deve estar próximo de 0, o que indica um baixo risco de overtraining.
  • slope ( coeficiente de inclinação da regressão linear) deve estar próximo de 1, o que indica uma forte relação linear entre os valores da métrica de desempenho para os subconjuntos de treinamento e teste.
  • ar^2 ( coeficiente de determinação ajustado) deve ser próximo de 1, indicando boa precisão da regressão linear.
  • p_loss (a proporção de valores de métrica de desempenho para o subconjunto de teste que estão abaixo de um determinado limite) deve estar próxima de 0, indicando que a maioria dos valores de métrica de desempenho para o subconjunto de teste está acima de um determinado limite.

No entanto, deve-se observar que esses valores podem depender da métrica de desempenho e do valor do limite selecionados


Necessidade de otimização multicritério Pareto front-to-back multicritério

mytarmailS #:

Pelo que entendi, há 4 parâmetros a serem otimizados

  • p_bo ( probabilidade de overtraining no backtest) deve ser próximo de 0, o que indica um baixo risco de overtraining.
  • slope ( coeficiente de inclinação da regressão linear) deve ser próximo de 1, indicando uma forte relação linear entre os valores da métrica de desempenho para os subconjuntos de treinamento e teste.
  • ar^2 ( coeficiente de determinação ajustado) deve ser próximo de 1, indicando boa precisão da regressão linear.
  • p_loss (a proporção de valores de métrica de desempenho para o subconjunto de teste que estão abaixo de um determinado limite) deve ser próxima de 0, indicando que a maioria dos valores de métrica de desempenho para o subconjunto de teste está acima de um determinado limite.

Entretanto, deve-se observar que esses valores podem depender da métrica de desempenho escolhida e do valor do limite


Aqui está mais do artigo, página 13 (se o pacote reproduzir totalmente os métodos do artigo, mas talvez algo mais tenha sido adicionado/subtraído)

Estatísticas de sobreajuste
A estrutura introduzida na Seção 2 nos permite caracterizar a confiabilidade dobacktest de uma estratégia em termos de quatro análises complementares:
1. Probabilidade de sobreajuste do backtest (PBO):
A probabilidade de que aconfiguração do modelo
selecionada como IS ideal tenha um desempenho inferior ao da média das N configurações do modelo OOS.
2. Degradação do desempenho: determina até que ponto o maior desempenho
IS leva a um desempenho inferior OOS, uma ocorrência associada
aos efeitos de memória discutidos em Bailey et al.
[1].
3. Probabilidade de perda: a probabilidade de que o modelo selecionado como ótimo
IS resulte em perda OOS.
4. Dominância estocástica: Essa análise determina se o procedimentousado para selecionar uma estratégia IS é preferível a escolher aleatoriamente
uma configuração de modelo entre as N alternativas.

Cada item é discutido em mais detalhes a seguir.

Forester #:

É muito curto para entender o que são esses parâmetros. Aqui estão mais informações da página 13 do artigo (se o pacote reproduzir totalmente os métodos do artigo, mas talvez algo mais tenha sido adicionado/subtraído).

o pacote é simplesmente horrível, nunca vi um pacote assim em anos

o código é terrível

a documentação é praticamente inútil

Não entendo como ele foi parar no CRAN.


Ainda não consigo entender, há um sistema de negociação que é investigado dividido em lotes ou são vários TS (nessa biblioteca)?

mytarmailS #:

Ainda não consigo entender se um sistema de negociação é estudado e dividido em lotes ou se são vários TS (nessa biblioteca).

Seleção do melhor modelo entre um conjunto de modelos obtidos com diferentes parâmetros/hiperparâmetros. A entrada é uma matriz, em que cada coluna é uma previsão de um dos modelos.

Ou talvez não. Eu também ainda não descobri isso
Forester #:

Seleção do melhor modelo entre o conjunto de modelos obtidos com diferentes parâmetros/hiperparâmetros. A entrada é uma matriz em que cada coluna é uma previsão de um dos modelos.

Eu já descobri isso.

Não entendo como trabalhar com o resultado

Eu forneço uma coluna (um TS)

resultado

summary(my_pbo)
Performance function Omega with threshold 1

  p_bo  slope   ar^2 p_loss 
0.0000 2.2673 0.9700 0.3710

Eu forneço 5 colunas (cinco TCs)

Também recebo uma linha.

summary(my_pbo)
Performance function Omega with threshold 1

     p_bo     slope      ar^2    p_loss 
0.3428571 1.9081000 0.0440000 0.2860000

Deveria haver 5 linhas ou, se for o resultado da melhor TS, deveria haver um índice da melhor...


Eu mataria esse autor

Forester #:

Seleção do melhor modelo entre o conjunto de modelos obtidos com diferentes parâmetros/hiperparâmetros. A entrada é uma matriz em que cada coluna é uma previsão de um dos modelos.

Ou talvez não. Eu também ainda não descobri isso

Isso pode ser interpretado como a obtenção de retornos de lucro TS de diferentes seções de mercado (parâmetros/hiperparâmetros ) ????



diferentes seções de mercado == parâmetros/hiperparâmetros?

mytarmailS #:

Ele pode ser interpretado como a obtenção de retornos do lucro TC de diferentes partes do mercado (parâmetros/hiperparâmetros ) ????

Exatamente retornos de lucro.

mytarmailS #:

diferentes partes do mercado == parâmetros/hiperparâmetros?

Pelo que entendi, exatamente as configurações: diferentes períodos de MA, SL, etc.

mytarmailS #:

Também recebo uma linha

Deveria haver 5 linhas, ou se for o melhor TC, deveria haver um índice dos melhores...

Como resultado, você obtém a avaliação geral do modelo (e provavelmente dos dados do preditor e do alvo)
Um modelo ruim fornece esses resultados (apenas 17% dos resultados OOS acima de 0).

Modelo bom - 95% dos resultados OOS acima de 0

Forester #:

Foram os repatriados que chegaram.

Você sabe, ganhos e perdas, certo?

Portanto, pegamos os retornados dos estados quando a posição está aberta.

Forester #:

Pelo que entendi, são as configurações: diferentes períodos de MA, SL, etc.

Em vez de configurações diferentes do TS, vou apenas negociar em áreas diferentes, acho que isso pode ser equiparado.

1...308430853086308730883089309030913092309330943095309630973098...3399
Novo comentário