Discussão do artigo "Indicador de previsão de volatilidade usando Python"

Novo comentário
 

Novo artigo Indicador de previsão de volatilidade usando Python foi publicado:

Vamos prever a volatilidade extrema futura com ajuda da classificação binária. Criamos um indicador de previsão de volatilidade extrema com uso de aprendizado de máquina.

Neste artigo, vou contar minha jornada do desespero até uma solução funcional para prever a volatilidade. Sem chatices nem jargões acadêmicos, só experiência real e soluções que funcionam de verdade. Vou mostrar como integrei o MetaTrader 5 com Python (spoiler: eles não se entenderam de cara), como fiz o aprendizado de máquina trabalhar a meu favor e os tropeços que enfrentei no caminho.

O maior aprendizado que tirei dessa história foi: não dá pra confiar cegamente nem nos indicadores clássicos, nem nas redes neurais da moda. Teve vez que passei uma semana inteira ajustando uma rede neural complexíssima, e depois um simples XGBoost deu um resultado melhor. Ou aquela vez em que um simples Bollinger salvou minha conta quando todos os algoritmos inteligentes falharam.

Também percebi que trading é como boxe, o importante não é a força do golpe, mas a capacidade de antecipá-lo. Meu sistema não faz previsões milagrosas. Ele só me ajuda a estar preparado para os sustos do mercado e reforçar minha estratégia quando mais preciso.


Autor: Yevgeniy Koshtenko

 
Ótimo artigo, obrigado! Sei que o artigo é bastante recente, mas vou perguntar: você tem alguma prática de trabalho com previsão de volatilidade? Quando eu estava "brincando" com regressões, confirmei as observações de terceiros de que as previsões são impossíveis a partir da palavra "absolutamente". Em resumo - treinamento do modelo em um período de vários meses com validação dos valores do mês seguinte e teste do modelo no mês seguinte. A linha de regressão de teste se encontra perfeitamente nas cotações. Mas vale a pena deslocar o "alvo" do modelo em uma barra para o futuro, e o teste é uma completa besteira. Não é segredo que todos os indicadores, inclusive a volatilidade, são derivados do preço. Há um sentimento cético de que o resultado deve ser semelhante. Por outro lado, percebo que o nível de diversidade dos dados no conjunto de dados pode influenciar fortemente o desempenho do modelo. Por que me interessei pelo seu artigo - Achei que sua abordagem é muito melhor do que "encaixar" calendários de notícias financeiras dentro da estratégia para evitar negociar perto (antes) das notícias
 
Aleksei Morozov negociar perto (antes) das notícias.

Olá, muito obrigado. Não confio em apenas um método. Tenho um EA Python abrangente, no qual tenho análise de padrões ingênuos, aprendizado de máquina em código binário, aprendizado de máquina em barras 3D, rede neural em análise de volume, análise de volatilidade, modelo econômico baseado em dados do Banco Mundial e do FMI, enormes conjuntos de dados de centenas de milhares de linhas em todos os países do mundo, todas as estatísticas possíveis em ....E um módulo estatístico que cria todos os recursos estatísticos possíveis, e um algoritmo genético que otimiza hiperparâmetros, e um módulo de arbitragem que cria preços justos para as moedas, e o download das manchetes e do conteúdo da mídia mundial sobre essa ou aquela moeda, com a análise da coloração emocional de todos os artigos e notas de notícias (em 80% dos casos, quando a mídia o incentiva a comprar algo, vem o colapso; se a notícia for negativa, provavelmente sobe com um atraso de 3 a 4 dias).

Você tem alguma ideia sobre o que mais posso acrescentar? Só cheguei à conclusão de que ainda preciso fazer um upload de posições de um site de monitoramento de contas bem conhecido (não sei se posso dizer o nome dele aqui), já criei o código e escreverei um artigo sobre isso também, pois o preço na maioria das vezes vai contra a multidão.

Também estou trabalhando no upload de dados sobre volumes de futuros, clusters de volume e análise de relatórios COT - também em Python.

 
Aleksei Morozov negociar perto (antes) das notícias

E eu uso modelos de regressão e modelos de classificação e, em breve, quero criar um supersistema que receberá todos os sinais, todos os sinais de todos os modelos, bem como o histórico flutuante de lucros/perdas e lucros/perdas da conta, e alimentará tudo isso no modelo DQN=).

  
venv_volatility\Scripts\activate

A resposta ao primeiro comando é "Python", mas para esta linha recebo a mensagem "O sistema não consegue encontrar o caminho especificado"

(instalei o Python recentemente, seguindo suas instruções)

Novo comentário