Discussão do artigo "EA autoaprendente com rede neural baseada em matriz de estados" - página 2
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
Abordagem interessante, mas o texto é bastante estranho para mim em alguns pontos, é extremamente otimista e algumas palavras são claramente escritas por IA ( "Este código é um laboratório alquímico genuíno onde os dados brutos do mercado são transformados em um precioso elixir de conhecimento" - o que é essa frase?) Além disso, tenho alguns problemas estruturais e matemáticos graves com essa abordagem. Já trabalhei com matrizes de Markov antes e, deixe-me dizer a você, 0,67 como valor diagonal (persistência) claramente não é um estado estável! 0,67 significa que o ativo fica, em média, apenas 3 dias no mesmo regime antes de mudar, o que é completamente instável e apenas capta o ruído técnico de curto prazo, especialmente porque você está usando essas identificações de regime em ativos que normalmente não têm muitas tendências.
Também não entendo como o uso de uma janela móvel de 100 barras pode ajudar a matriz de Markov a reagir rapidamente às mudanças de regime. Em um período de tempo diário, uma janela móvel transporta 99% dos mesmos dados de um dia para o outro. A matriz de transição resultante é altamente autocorrelacionada e se move como uma média móvel lenta e altamente defasada, o que significa que ela se suavizará e ficará para trás em uma quebra estrutural do mercado em vez de reagir instantaneamente.
Falando também por experiência própria no caso de modelos de Markov, o uso de mais de 3 estados (até mesmo 4 ou 5 é demais) apenas cria modelos degenerados por meio de soluções hat-singular, em que um estado nem mesmo tem qualquer densidade de dados atribuída a ele, ou uma transição nem mesmo é registrada, de modo que o modelo fica muito complicado para representar algo significativo.
Alimentar uma matriz achatada de 9 elementos de frequências históricas de movimento lento em um Perceptron multicamada de 40 neurônios ocultos para prever a direção imediata do preço na próxima barra parece altamente contraintuitivo. Os recursos de entrada são altamente estáticos no dia a dia, forçando o MLP a se ajustar demais às 600 amostras de treinamento. Portanto, não conheço toda essa abordagem que usa o MLP com base na matriz de Markov, parece um pouco estranha, e o backtest ainda mais estranho com base nela, mas boa sorte em fazê-la funcionar!