Обсуждение статьи "Переосмысливаем классические стратегии (Часть 17): Моделирование технических индикаторов"

[MetaQuotes]

Опубликована статья Переосмысливаем классические стратегии (Часть 17): Моделирование технических индикаторов:

В этом обсуждении мы сосредоточимся на том, как можно преодолеть "стеклянный потолок", создаваемый классическими методами машинного обучения в сфере финансов. Похоже, что самое главное ограничение ценности, которую можно извлечь из статистических моделей, заключается не в самих моделях — ни в данных, ни в сложности алгоритмов, — а скорее в методологии, которую мы используем для их применения. Другими словами, истинным узким местом может быть то, как мы используем модель, а не ее собственный потенциал.

Применение машинного обучения и других современных статистических методов для алгоритмической торговли является исключительно сложной задачей. Проблемы, с которыми сталкивается наше сообщество, касаются исключительно финансовых рынков, и из—за этого они редко обсуждаются в более широких кругах, связанных с машинным обучением. В результате классическое обучение под наблюдением предлагает очень мало практических рекомендаций по вопросам, которые важны для нашего сообщества. Одной из наиболее часто упускаемых из виду проблем в нашей области является тот факт, что при моделировании финансовых данных у нас нет фиксированной целевой переменной. На первый взгляд этот вопрос может не показаться проблематичным, но он таким является.

Чтобы это проиллюстрировать, давайте подумаем о том, как эти модели применяются в медицине. Читатель должен помнить, что медицина - это область, из которой изначально появились многие методы обучения с учителем (supervised learning), а наше сообщество "заимствует" эти методы. В медицине целевая переменная является определенной и четко очерченной. Врач может захотеть классифицировать пациента либо как больного раком, либо как нет — это задача бинарной классификации с четкой и неизменной меткой класса. Цель врача никогда не меняется, и она основана на физической реальности. Более того, медицинские модели работают в рамках естественных ограничений — биологических, этических или процедурных, — которые придают задаче обучения последовательную структуру.

Напротив, в финансовой сфере отсутствует такая структура. Как у алгоритмических трейдеров, у нас нет четкого определения цели. Мы можем моделировать рынок с точки зрения годовой доходности, ежедневной доходности, 15-минутной доходности, ежегодного повышения цен, максимальной просадки, волатильности или даже относительного изменения между активами. На самом деле существует бесконечно много способов определить, что означает “цель” в контексте торговли. И хотя все эти целевые показатели основаны на одних и тех же базовых данных, некоторые целевые показатели гораздо труднее прогнозировать, чем другие. 

Автор: Gamuchirai Zororo Ndawana