Обсуждение статьи "Конструирование признаков для машинного обучения (Часть 11): Фрактальные признаки на Python"

[MetaQuotes]

Опубликована статья Конструирование признаков для машинного обучения (Часть 11): Фрактальные признаки на Python:

В статье рассматривается конвейер для конструирования признаков на основе пятибарного фрактала Вильямса и показывается, как центрированное скользящее окно приводит к реальной утечке будущей информации. В статье выявлены две дополнительные скрытые ошибки — жестко заданный сдвиг, привязанный к значению n по умолчанию, и порог волатильности, игнорирующий переданное значение, — а исправления объединены под единым флагом leak_safe. Читатели получат фрактальные признаки, признаки уровней, тренда и сигналов без утечки будущей информации, а также рекомендации о том, в каких случаях столбцы без сдвига остаются пригодными для разметки.

Фрактал Вильямса задает минимальное определение точки разворота: максимум является медвежьим фракталом, если он выше каждого из двух максимумов с каждой стороны от него; минимум является бычьим фракталом, если он ниже каждого из двух минимумов с каждой стороны от него (Вильямс, 1998). Для него не требуется никаких параметров, кроме количества подтверждающих баров n с каждой стороны — классическое значение n = 2, что дает окно из пяти баров. Поскольку условие носит чисто структурный характер (проверка на локальный экстремум), оно ничего не говорит о величине или продолжительности движения; фрактал на минутном графике и фрактал на месячном графике — это один и тот же паттерн в разных масштабах.

Эта масштабная инвариантность связана с тезисом Мандельброта о том, что рынки самоподобны на разных временных масштабах, а ценовые ряды обладают долгой памятью, которую модель случайного блуждания не учитывает (Мандельброт, 2004). Именно поэтому детектор фракталов привлекателен для построения признаков для машинного обучения: при одинаковом значении n он формирует сопоставимый сигнал независимо от того, работает ли он с тиковыми, минутными или дневными барами. Такая согласованность важна, когда признаки, полученные на основе разных типов баров, поступают в одну и ту же модель, и естественным образом сочетается с альтернативными способами построения баров, рассмотренными в предыдущих статьях серии «MQL5 Machine Learning Blueprint».

Практическая ценность подтвержденного фрактала — в том, что он служит опорным уровнем: рынок уже однажды показал, что не смог закрепиться за этим уровнем, поэтому при возврате к нему естественно ожидать либо повторного отбоя от уровня поддержки или сопротивления, либо пробоя рыночной структуры. Модуль fractals превращает эту единственную структурную проверку в восемь групп производных признаков: силу фрактала, проверку допустимости, расстояние до уровней поддержки и сопротивления, флаги пробоя, силу тренда, направление тренда и отфильтрованный сигнал на покупку или продажу с численной оценкой его величины.

Архитектура конвейера

Автор: Patrick Murimi Njoroge