Интервал на котором обучается модель не может быть фиксированной длины, этот интервал всегда плавает в некотором диапазоне. Это зависит от поведения финансового инструмента, нужно отслеживать момент изменения этого поведения. То есть опять приходим к необходимости построения индикатора разладки.
Существуют сотни моделей машинного обучения, но мало кто акцентирует внимание, а на каком же все таки интервале оптимизировать эти модели ? Понятное дело вопрос сложный, математическую модель даже очень сложную построить проще чем решить этот вопрос. Имхо
Evgeniy Chernish #: Интервал на котором обучается модель не может быть фиксированной длины, этот интервал всегда плавает в некотором диапазоне. Это зависит от поведения финансового инструмента, нужно отслеживать момент изменения этого поведения. То есть опять приходим к необходимости построения индикатора разладки.
Существуют сотни моделей машинного обучения, но мало кто акцентирует внимание, а на каком же все таки интервале оптимизировать эти модели ? Понятное дело вопрос сложный, математическую модель даже очень сложную построить проще чем решить этот вопрос. Имхо
Если есть хорошо знающие статистику, вопрос, что лучше:
Оптимизация ТС с n кол-вом параметров на графике
Построение базовой переобученной модели (некой обобщающей базы сделок), потом поиск интервалов, где она робастна
Оба варианта суть курвафитинг
Имхо, стоило бы это противопоставление переформулировать в терминах МО. Имеются две модели, отстоящие далеко друг от друга на кривой компромисса смещение-дисперсия. ТС из-за малого фиксированного числа параметров имеет сдвиг в сторону увеличения смещения (обычный для МО пример - линейная регрессия), а сложная модель, наоборот, в сторону увеличения дисперсии.
Очевидно, если более простая модель ухватывает реальную закономерность, то она лучше. Если ни одна модель не ухватывает, то опять простая лучше - в сложной тяжелее увидеть её ошибочность из-за более лучшей приспосабливаемости к шуму) Неудивительно, что смысл усложнения есть только если оно приносит пользу. Это очевидный теоретический ответ.
Если чуть более практически, то по сути второй пункт означает стекинг моделей (минимум двух) - одна модель разбивает на отрезки (ищет разладки), а другая принимает торговые решения. Может быть и третья модель, которая включает/выключает торгующую и тд. Стекинг, как известно, имеет в МО репутацию "чёрной магии") Как правило, им пользуются победители всяческих соревнований, но при этом по сути для него нет теории или рецептов. Если повезёт найти рабочий стекинг, то хорошо). Имхо, в целом стекинг более простых моделей выглядит более логично, чем попытка запихать всё в одну более сложную.
Да, задачу разладки нужно решать, поскольку ряды у нас нестационарные. Но особо не выделял бы её, поскольку она в любом случае будет решаться - либо явно, либо неявно)
Как вычисляется этот параметр?
Похоже, пропустили этот вопрос. Как вычисляется волтатильность? MaxMin за "час"? Нормализация?
Похоже, пропустили этот вопрос. Как вычисляется волтатильность? MaxMin за "час"? Нормализация?
Столько было обсуждений "разумности". Мне бы даже в голову не пришло спрашивать.
Интервал на котором обучается модель не может быть фиксированной длины, этот интервал всегда плавает в некотором диапазоне. Это зависит от поведения финансового инструмента, нужно отслеживать момент изменения этого поведения. То есть опять приходим к необходимости построения индикатора разладки.
приходим к необходимости построения индикатора разладки.
Что за зверь?
Фильтры чаще делаю по моментам распределений, почему-то лучше всего работает фильтр по скосу. По стд тоже неплохо.
Если есть хорошо знающие статистику, вопрос, что лучше:
Имхо, стоило бы это противопоставление переформулировать в терминах МО. Имеются две модели, отстоящие далеко друг от друга на кривой компромисса смещение-дисперсия. ТС из-за малого фиксированного числа параметров имеет сдвиг в сторону увеличения смещения (обычный для МО пример - линейная регрессия), а сложная модель, наоборот, в сторону увеличения дисперсии.
Очевидно, если более простая модель ухватывает реальную закономерность, то она лучше. Если ни одна модель не ухватывает, то опять простая лучше - в сложной тяжелее увидеть её ошибочность из-за более лучшей приспосабливаемости к шуму) Неудивительно, что смысл усложнения есть только если оно приносит пользу. Это очевидный теоретический ответ.
Если чуть более практически, то по сути второй пункт означает стекинг моделей (минимум двух) - одна модель разбивает на отрезки (ищет разладки), а другая принимает торговые решения. Может быть и третья модель, которая включает/выключает торгующую и тд. Стекинг, как известно, имеет в МО репутацию "чёрной магии") Как правило, им пользуются победители всяческих соревнований, но при этом по сути для него нет теории или рецептов. Если повезёт найти рабочий стекинг, то хорошо). Имхо, в целом стекинг более простых моделей выглядит более логично, чем попытка запихать всё в одну более сложную.
Да, задачу разладки нужно решать, поскольку ряды у нас нестационарные. Но особо не выделял бы её, поскольку она в любом случае будет решаться - либо явно, либо неявно)