Обсуждение статьи "Самообучающийся советник с нейросетью на матрице состояний" - страница 2

[Ákos Albert]

Интересный подход, но текст местами кажется мне странным, он крайне излишне оптимистичен, а некоторые формулировки явно написаны ИИ ( "This code is a genuine alchemical laboratory where raw market data is transformed into a precious elixir of knowledge" - что это вообще за предложение?). Кроме того, у меня есть серьезные структурные и математические проблемы с этим подходом. Я уже работал с матрицами Маркова, и позвольте мне сказать вам, что 0,67 в качестве диагонального значения (стойкость) - это явно не стабильное состояние! 0,67 означает, что актив в среднем находится в одном и том же режиме всего 3 дня, прежде чем перевернуться, что совершенно нестабильно и просто фиксирует краткосрочный технический шум, особенно если учесть, что вы используете эти режимные идентификации на активах, которые обычно не слишком трендовые.

Также я не понимаю, как использование скользящего окна в 100 баров может помочь матрице Маркова быстро реагировать на смену режимов. На дневном таймфрейме скользящее окно переносит 99% одних и тех же данных из одного дня в другой. Получающаяся матрица переходов сильно автокоррелирована и движется как медленная, сильно запаздывающая скользящая средняя, что означает, что она будет сглаживаться и отставать от структурного перелома рынка, а не реагировать мгновенно.

Также, исходя из опыта использования марковских моделей, использование более 3 состояний (даже 4-5 - это уже слишком много) приводит к вырождению модели через шапочно-сингулярные решения, где состояние даже не имеет плотности данных, или переход даже не регистрируется, так что модель становится слишком сложной, чтобы представлять что-либо значимое.

Подача 9-элементной сплющенной матрицы медленно меняющихся исторических частот в 40-спрятанный нейронный многослойный перцептрон для предсказания немедленного направления цены на следующем баре кажется крайне нелогичной. Входные признаки очень статичны в течение дня, что вынуждает MLP перестраиваться на 600 обучающих выборках. Так что я не знаю, что это за подход с использованием MLP на основе матрицы Маркова, он кажется немного странным, а бэктест на его основе - еще более странным, но удачи вам в том, чтобы он работал!