Обсуждение статьи "Архитектура системы машинного обучения в MetaTrader 5 (Часть 2): Маркировка финансовых данных для машинного обучения"

Новый комментарий
 

Опубликована статья Архитектура системы машинного обучения в MetaTrader 5 (Часть 2): Маркировка финансовых данных для машинного обучения:

Во второй части серии «MetaTrader 5 и машинное обучение: практическое руководство» вы узнаете, почему простые метки могут сбивать ваши модели с толку — и как применять продвинутые техники, такие как метод тройных барьеров и сканирование тренда, для создания надежных и учитывающих риски целевых показателей. Наполненное практическими примерами на Python, оптимизирующими эти вычислительно сложные методы, это практическое руководство показывает, как преобразовать зашумленные рыночные данные в достоверные метки, отражающие реальные условия торговли.

Представьте себе: вы тренируетесь, чтобы стать снайпером элитного уровня. Что вы выберете — стрелять по идеальным кругам на бумажной мишени или тренироваться на мишенях в форме человеческого силуэта, имитирующих реальные боевые сценарии? Очевидно, что вам нужны мишени, отражающие реальность, с которой вы столкнетесь.

Тот же принцип применим и к машинному обучению в финансах. Большинство академических исследований используют так называемую "маркировку с фиксированным временным горизонтом" — аналог стрельбы по тем самым идеальным кругам. Этот подход задает простой вопрос: "Будет ли цена выше или ниже ровно через X дней?". Но в чем проблема: реальных трейдеров интересует не только то, где цена окажется в итоге. Их волнует сам путь — когда сработает стоп-лосс, когда следует зафиксировать прибыль и как цена движется на этом пути.

Взгляните на это так: если вы создаете модель для прогнозирования сердечного приступа у человека, вы не будете смотреть только на то, жив он или умер ровно через 365 дней. Вы захотите знать о предупредительных признаках, ранних вмешательствах и последовательности событий, значимых для принятия медицинских решений. На финансовых рынках дела обстоят точно так же.

Эта статья предполагает, что вы уже умеете работать с Python и имеете базовое представление о концепциях машинного обучения. Мы глубоко погрузимся в практический код и реальные примеры применения, которые вы сможете использовать немедленно.


Автор: Patrick Murimi Njoroge

 

Я что-то не понимаю:


Если вы обучаете модели не на сырых тиковых данных, а на построенных барах (время, тик и т.д.), нужно ли строить бары во время живой торговли?

Новый комментарий