Что такое обучение? - страница 23

[[Удален]]

Тот случай, когда нули в сумме ожидаемо дают ноль :)

[Ivan Butko]

И все?

[Ivan Butko]

Идея:

Вот такой вот простой способ можно реализовать из 3-х нейронов:

• Один нейрон использовать для Тейк-Профита
• Второй нейрон использовать для Стоп-Лосса
• Третий нейрон использовать для направления

Такое вряд ли можно реализовать в классическом обучении, но для тестера МТ5 - само то перебирать.


В качестве примера:
на вход 20 значений нормированных цен закрытия
коэффициент ТП 0.003 (выходное число прибавляется к цене Bid при бай и отнимается при сел)
коэффициент СЛ 0.01  (выходное число отнимается от цены Ask при бай и прибавляется при сел)
риск-ревард ТП:СЛ равен 1:3

Оптимизация



Форвард




Общая



 

[Andrey Dik]

Ivan Butko #:

Идея:

Очень интересно.

Форум по трейдингу, автоматическим торговым системам и тестированию торговых стратегий

Обсуждение статьи "Советник на базе универсального аппроксиматора MLP"

Eric Ruvalcaba, 2025.08.05 20:49

Большое спасибо за статью и понимание. Отличная идея. Я реализовал некоторые независимые операции с позициями и заставил их работать на хеджирующем счете (мой брокер).

Вы лучшие.

На картинке у Эрика оос

[Ivan Butko]

Andrey Dik #:

Очень интересно.

На картинке у Эрика оос

Жаль, что не раскрывает, куда копать

И, главное, чтобы такие же результаты были на других участках. 

[Andrey Dik]

Ivan Butko #:

Жаль, что не раскрывает, куда копать

И, главное, чтобы такие же результаты были на других участках. 

Сов в режиме валк-форвард работает (внутри так устроен), поэтому результаты и есть те самые "другие участки".)) 

[Ivan Butko]

Andrey Dik #:

Сов в режиме валк-форвард работает (внутри так устроен), поэтому результаты и есть те самые "другие участки".)) 

У меня первый раз не получилось. Толи долго грузил, толи результатов не было. 

Надо будет повторить.

И попробовать свои входы

[Ivan Butko]

Пример кластеризации: 




Выявление паттернов:

1) Разделение графика цены (и не только) на участки и дальнейшее их изучение.

2) На примере выше - выявление похожих паттернов (мечта для ручных трейдеров-новичков, которые сталкиваются со сложностью поиска общеизвестных ДЦ-паттернов или паттернов, где наставники не могут объяснить, как они их отмечают). 



В голову сразу налетели мысли, как куда кого прикрутить, как повертеть это всё. В общем, крайне интересное поле для исследований и ковыряний во всем этом. 


UPD

На примере выше самоорганизующиеся карты Кохонена. Но видов кластеризации куда больше. 

[Ivan Butko]

Позитивный эффект недообучения.

Как известно, переобучение в нейросетях - это переход от обобщения примеров к их поголовному запоминанию. 

Но если наоборот - недообучить нейросеть, то на форварде она иногда может давать обратный эффект: сглаживает баланс. 

Причём, чем злостнее ошибка потерь, тем эффективней. Предполагаю, что такое будет действовать только там, где нет никаких закономерностей, а просто действует эффект накопления нерабочих паттернов, которые стремятся на дистанции "отработать" свои 50 на 50: то есть, на обучаемом участке мы намеренно "кошмарим" нейросеть, чтобы на форварде она статистически "выровнялась". Нейросеть как будто становится "слепой" к шуму. Этакая экстремальная версия регуляризации: сеть не успевает "запомнить" даже шум, оставаясь в зоне максимальной неопределённости, что в условиях хаоса работает как стабилизатор.



Использовал обычную MLP на питоне, количесво эпох от 1 до 3, или до 10-ти. То есть совсем немного. 

Данная нейросеть выступала в качестве фильтра для уже имеющейся простой, но грубой торговой стратегии:

Вот так её форвард выглядит в оригинале (без фильтра НС):




А вот так с фильтром, если обучить на 1-3 эпохах с самой "лёгкой" архитектурой и большой ошибкой обучения:

[Ivan Butko]

Об эталонном срезе

Ни одна модель машинного обучения (в том виде, в каком она обычно применяется к финансовым рынкам) не демонстрирует устойчивой, надёжной, прибыльной работы в реальном времени на форексе или других ликвидных рынках. Давайте оговорюсь: ни одна модель в публичном доступе.

При этом почти все подходы используют длинные обучающие выборки — годы данных, тысячи баров, миллионы тиков — в надежде, что "больше данных = лучше обобщение". В результате такая надежда приводит к усреднению противоположных рыночных режимов: тренд + флэт в одном датасете → модель учится "ничего не делать". А в итоге происходит игнорирование нестационарности: модель учится на прошлом, которое структурно отличается от настоящего.

Если стандартный подход (обучение на длинной истории → тест на будущем) не работает — возможно, проблема в самом подходе, а не в "недостатке данных" или "плохих фичах".

Радикальная переформулировка: 

Если рабочая стратегия должна работать почти каждый месяц, значит, в каждом месяце есть повторяющиеся рабочие паттерны. Значит, достаточно найти один такой месяц, в котором эти паттерны выражены максимально чисто — и обучиться на нём. Остальное — шум.

Это — парадигмальный сдвиг от "обучения на всём" к "обучению на идеальном срезе". Рынок — не функция, а процесс. Он не аппроксимируется одной регрессией. Он — череда режимов, каждый из которых имеет свою логику. Лучше выделить чистый режим, чем месить всё в кучу.

Меньше — возможно «больше».

Один месяц без макрошоков, без выходных новостей, без вмешательств центробанков — может быть "лабораторным" примером чистого рыночного поведения. Такой месяц — как "эталонный эксперимент" в физике.

И на основе этой парадигмы необходимо строить системы поиска торговых стратегий. Возможно, это даже не МО, а что-то другое, алгоритмическое. 

А возможно это ближе к кластеризации и обучению без учителя. 

Гипотетическое развитие метода: выбор лучших срезов истории для обучения, либо ансамблирование месяцев (либо других размеров единичных участков), где модель на всей остальной истории показала наилучшие результаты, суммирование которых и даст теоретичекую долгосрочную стабильность.