Обсуждение статьи "Архитектура машинного обучения для MetaTrader 5 (Часть 10): Определение размера позиции в финансовом машинном обучении"

Новый комментарий
 

Опубликована статья Архитектура машинного обучения для MetaTrader 5 (Часть 10): Определение размера позиции в финансовом машинном обучении:

Фиксированные доли и сырые вероятности неверно распределяют риск при перекрывающихся метках и провоцируют чрезмерную торговлю. В статье представлены четыре метода определения размера позиции, совместимые с AFML: вероятностный (z-score → CDF, усреднение активных сигналов, дискретизация), на основе прогнозной цены (sigmoid/power с калибровкой w и лимитной ценой), бюджетно-ограниченный (только направление) и резервный (mixture-CDF через EF3M). На выходе получается знаковый, ограниченный ряд позиций с описанными условиями применения.

У вас есть оценки вероятностей из конвейера классификатора, построенного в этой серии, и вам нужно преобразовать их в размеры позиций, с которыми может работать торговая система. Стандартные подходы в этом случае дают сбой четырьмя конкретными способами. Правило фиксированной доли обрабатывает прогноз 51% точно так же, как прогноз 91%, отбрасывая информацию об уверенности, которую модель специально оценивала. Использование сырой вероятности в качестве размера позиции игнорирует перекрытие сигналов. Если активны десять triple-barrier-меток и каждая имеет размер 10% капитала, суммарная экспозиция достигает 100% без какого-либо осознанного решения использовать плечо.

Непрерывное изменение размера усредненного сигнала создает микро-корректировки, транзакционные издержки которых превышают ожидаемый вклад в P&L. Ни одно из этих правил не учитывает асимметрию выплат. Стратегия, которая выигрывает три доллара на каждый потерянный доллар, требует иного распределения капитала, чем симметричная сделка при той же вероятности. Критерий Келли это учитывает; методы, основанные только на вероятности, — нет. Измеримые симптомы: систематическая чрезмерная экспозиция в периоды высокой плотности сигналов, размывание преимущества транзакционными издержками и размеры позиций, которые оказываются либо безрассудно большими, либо неоправданно малыми в зависимости от структуры выплат каждой сделки.

В этой статье представлен полный инструментарий определения размера позиции из главы 10 книги Маркоса Лопеса де Прадо Advances in Financial Machine Learning, реализованный в модуле afml.bet_sizing. После прочтения у вас будет полностью работоспособная система определения размера позиции, состоящая из четырех компонентов:

  1. вероятностный метод определения размера позиции первого этапа (bet_size_probability / get_signal) который преобразует выход классификатора в сигнал, взвешенный по уверенности. Он корректирует перекрытие меток, усредняя все активные сигналы во времени, и дискретизирует обновления, чтобы предотвратить чрезмерную торговлю;
  2. динамический метод на основе прогнозной цены (bet_size_dynamic) с сигмоидальной и степенной функциональными формами, процедурой калибровки в закрытой форме, которая задает параметр агрессивности по целевому расхождению и размеру ставки, а также выходной лимитной ценой для систем исполнения;
  3. бюджетно-ограниченный метод (bet_size_budget) и резервный метод, обучаемый по данным (bet_size_reserve) для стратегий, которые выдают только направленные сигналы. Резервный метод обучает свою кривую определения размера позиции по эмпирическому распределению дисбаланса одновременно активных позиций с использованием алгоритма EF3M. На выходе получается знаковый ряд позиций в [−1, 1] с поправкой на перекрытие сигналов и диагностикой по барам.


Автор: Patrick Murimi Njoroge

Новый комментарий