Недопустимый способ общения - страница 9

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

Я ничего не рекламирую. 

На ветке периодически возникают посты про статистику самого временного ряда или его производных. Последний пример - это ролик, выложенный Максимом. Каждый раз привожу гарчи, в которых это все жевано-пережевано. 

Хочу заметить, что гарчи на финансовых рынках применяются гораздо шире, чем МО. Видел обзоры по выбору модели гарча на всех акциях S&P, на всех акциях наждака. По применению МО ничего подобного не видел.

Вы почти все очень быстро забываете контекст, в котором приводятся эти ролики и ссылки. А контекст: тестирование моделей на новых данных, множественные тесты, кросс-фитинг, причинно-следственный вывод. Это все об одном и том же с разных ракурсов и очень полезно это держать в голове, прежде чем кидаться на каждый непонятный материал (который на самом деле последовательно вплетен в канву обсуждения).

Но если у кого-нибудь память как у колибри, то здесь даже посоветовать нечего. Пусть уходят в неосознанку и там пребывают.

[СанСаныч Фоменко]

Maxim Dmitrievsky #:
Вы почти все очень быстро забываете контекст, в котором приводятся эти ролики и ссылки. А контекст: тестирование моделей на новых данных, множественные тесты, кросс-фитинг, причинно-следственный вывод. Это все об одном и том же с разных ракурсов и очень полезно это держать в голове, прежде чем кидаться на каждый непонятный материал (который на самом деле последовательно вплетен в канву обсуждения).

Но если у кого-нибудь память как у колибри, то здесь даже посоветовать нечего. Пусть уходят в неосознанку и там пребывают.

Человек обсуждает такой размер выборки, который представит генеральную совокупность. Генеральной совокупности у нас нет. Что обсуждаем?

PS.

Если Вы надеетесь, что я буду отвечать на Ваше фирменное хамство, то не надейтесь.

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

Человек обсуждает такой размер выборки, который представит генеральную совокупность. Генеральной совокупности у нас нет. Что обсуждаем?

PS.

Если Вы надеетесь, что я буду отвечать на Ваше фирменное хамство, то не надейтесь.

Простите, что так ранил вашу нежную душу, но выше написано что обсуждаем (хотя обсуждением это не назовешь).

[СанСаныч Фоменко]

mytarmailS #:

А применение аримы видел?   видел..

А применение  скользящих средних видел?   видел..

А результат тестирования видел?

Я видел..

вот и сказочке конец, кто не слушал тем   ...ц!

А видел как микроскопом гвозди забивают? Вообще-то это общая проблема статистики - ПРИМЕНИМОСТЬ той или иной модели. универсальных моделей пока не придумали.

PS.

Видел отчет о применении ARMA (!) для прогноза чего-то там для правительства США. И что?  ARMA прекрасная модель на все случаи жизни?

[mytarmailS]

СанСаныч Фоменко #:

Видел отчет о применении ARMA (!) для прогноза чего-то там для правительства США. И что?  ARMA прекрасная модель на все случаи жизни?

СанСаныч Фоменко #:

 Видел обзоры по выбору модели гарча на всех акциях S&P, на всех акциях наждака. По применению МО ничего подобного не видел.

первое сообщение противоречит второму...

Я ж об этом и толкую, видеть что кто то  применял мало..

надо проверять на конкретной задаче с конкретной метрикой

в нашем случаи

задача   - удачно торговать рынок,

метрика  - баланс или что то производное , а не акураси

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

 Видел обзоры по выбору модели гарча на всех акциях S&P, на всех акциях наждака. По применению МО ничего подобного не видел.

***

Гарч и арима это тоже МO специализированное. Есть гибридные модели с нейросетями. Где почитать эти обзоры? Гарч прогнозирует волатильность, соответственно это не для направленного трейдинга, уже минус.

[Ivan Butko]

Ребят, может вам будет интересно направление мысли. Один продавец из России написал нейросетевой бот. И у него форвард вроде как живой. 

Основа советника ***********.

В основе алгоритма я использовал две модели нейронных сетей: «Многослойный перцептрон Румельхарта» (Multilayer Perceptron — MLP) и модель «Долгой краткосрочной памяти» (Long Short-Term Memory — LSTM). Каждая из этих моделей имеет свои преимущества и недостатки, но, работая вместе, они компенсируют слабые стороны друг друга. Модель многослойный перцептрон имеет существенный недостаток - маленький объем памяти. Именно эту проблему решает модель долгой краткосрочной памяти (LSTM). Она хранит в себе данные для последующего использования, что помогает нейросети анализировать большие объемы информации, поданной на вход нейросети, и сохранять сложную структуру связей между этими данными.

 

Многослойный перцептрон	Долгая краткосрочная память
Используется для анализа и прогнозирования цен на финансовых рынках, благодаря своей способности выявлять сложные зависимости между различными факторами, что помогает принимать более точные решения в торговле	Используется в трейдинге для анализа и прогнозирования цен на основе исторических данных, благодаря своей способности учитывать долгосрочные зависимости и тренды на рынке, что помогает принимать более осознанные и выгодные решения в торговле

 

Важным этапом разработки нейросети с рыночными котировками является нормализация данных. Прямая рыночная котировка очень сильно ходит в разные стороны (это называется рыночный шум), ее нельзя использовать как исходные данные для нейросети, поэтому для подачи на вход в нейросети в советнике ************* применяются индикаторы. Индикаторы используют усредненные значения, тем самым сглаживая рыночный шум. На вход нейросети подается два индикатора: трендовый индикатор Moving Average и осцилятор Stochastic. Согласно правилам построения прибыльной торговой системы – стратегия должна быть построена на индикаторах разных типов.

Изначально при создании советника ************ передо мной стояла задача найти точки на рынке, где вероятность разворота хотя бы на несколько пунктов была вероятна на 90%, чтобы войти в рынок и с помощью короткого трейлинг-стопа получать небольшую прибыль. Поэтому советник ************ по сути является скальпером. Исходя из этого, нейросеть была настроена так, чтобы выходной сигнал генерировался именно при таких условиях.

Таким образом, модель была оптимизирована на исторических дынных и настроены устойчивые связи между параметрами. Поэтому советник не требует предварительно обучения нейросети и может работать сразу после установки на график, продолжая обучение сети уже новыми историческими данными.

Я бы не стал сюда кидать, но меня смутил сигнал с этим советником: он растёт и ведёт себя, как на форварде

[СанСаныч Фоменко]

Maxim Dmitrievsky #:

СанСаныч Фоменко #:

 Видел обзоры по выбору модели гарча на всех акциях S&P, на всех акциях наждака. По применению МО ничего подобного не видел.

***

Гарч и арима это тоже МO специализированное. Есть гибридные модели с нейросетями. Где почитать эти обзоры? Гарч прогнозирует волатильность, соответственно это не для направленного трейдинга, уже минус.

mytarmailS #:

первое сообщение противоречит второму...

Я ж об этом и толкую, видеть что кто то  применял мало..

надо проверять на конкретной задаче с конкретной метрикой

в нашем случаи

задача   - удачно торговать рынок,

метрика  - баланс или что то производное , а не акураси

Нет, мы толкуем о разном.

Я все время толкую, что для нестационарных данных нельзя верить абсолютно нечему, даже удачной торговли рынком. Мы это видим по сигналам - рано или позже все ушли в небытие.

Надо обосновывать каждый шаг.

Если про недавний пост, то надо обосновывать ПРИМЕНИМОСТЬ используемой модели. Упомянутые Вами модели НЕ применимы для нестационарных данных. Или предложенный Максимом видеоролик. А кто обосновал ПРИМЕНИМОСТЬ разного рода новомодных НС?

При этом надо понимать, что высокая результативность НЕ является доказательством ПРИМЕНИМОСТИ  модели. Например, для линейной регрессии доказательством ее применимости являются статистические характеристики остатков, среди которых р-квадрат вообще не имеет доказательства ее применимости.

Нужна аккуратность на каждом шаге. 

[Maxim Dmitrievsky]

СанСаныч Фоменко #:

Нет, мы толкуем о разном.

Я все время толкую, что для нестационарных данных нельзя верить абсолютно нечему, даже удачной торговли рынком. Мы это видим по сигналам - рано или позже все ушли в небытие.

Надо обосновывать каждый шаг.

Если про недавний пост, то надо обосновывать ПРИМЕНИМОСТЬ используемой модели. Упомянутые Вами модели НЕ применимы для нестационарных данных. Или предложенный Максимом видеоролик. А кто обосновал ПРИМЕНИМОСТЬ разного рода новомодных НС?

При этом надо понимать, что высокая результативность НЕ является доказательством ПРИМЕНИМОСТИ  модели. Например, для линейной регрессии доказательством ее применимости являются статистические характеристики остатков, среди которых р-квадрат вообще не имеет доказательства ее применимости.

Нужна аккуратность на каждом шаге. 

Здрасьте приехали.. на рынке вы принимаете риски, а не обсасываете применимость той или иной модели. Модель вообще не в курсе применима она к чему-нибудь или нет.

Соответственно вы оцениваете свои риски хотя бы предложенными, и не только, способами.

[DDFedor]

`

Заметка на ветку :  https://www.mql5.com/ru/forum/452461/page28

 .  .  .  

 
...  УНИЖЕННЫЕ И ОСКОРБЛЕННЫЕ  :  ЛЕГКО ЛИ БЫТЬ МОЛОДЫМ ...   
  

.  .  .