Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3680
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Историю почти идеально запомнить можно и одним деревом. Что-то про успешность на новых данных ни слова.
У меня та же ситуация, как у СанСаныча.
Идеально заучивать и не надо, надо закономерности находить, обобщение. Но как получить обобщение, а не просто недообучение?
Ну, вообще говоря, ансамблирование в МО имеет смысл если есть слабые алгоритмы, которые хоть немного, но всё же работают.
Соответственно, ансамблируемые ТС должны давать хотя бы небольшую прибыль. Общепринято собирать такие модели в портфели - по сути бэггинг.
Вопрос (теоретический) был по сути о том, что можно ли вместо портфелирования этих слабых ТС придумать какую-то более сложную процедуру вроде бустинга.
Что значит "работают"?
Критерий "работают", если результативность на файле обучения-тестирования и при пошаговом прогоне примерно одинакова.
НЕ интересна результативность только на файле обучения-тестирования.
Если перейти к образам, то пара учитель-предикторы имеет некоторую результативность, как мат.ожидание, теоретически. Теперь задача, получая средние значения, приблизиться к этому теоретическому "мат.ожиданию".
Алгоритм построения модели представляется следующим:
1. Вычисляем результативность на файле обучения-тестирования и пошагово.
2. Если примерно совпали, то конец обучения
3. Если не совпали, то огрубляем модель/модели и сравниваем с пошаговым режимом.
4. Огрубление моделей делаем до тех пор, пока не совпало.
Не зря упомянул про мат.ожидание, которое не всегда существует! Т.е. существует ли для конкретного набора учитель-предикторы некая приемлемая величина результативности?
Алгоритм построения модели представляется следующим:
1. Вычисляем результативность на файле обучения-тестирования и пошагово.
2. Если примерно совпали, то конец обучения
3. Если не совпали, то огрубляем модель/модели и сравниваем с пошаговым режимом.
4. Огрубление моделей делаем до тех пор, пока не совпало.
Это же самый топорный подход, наряду с обу/переобучением в скользящем окне и переоптимиздацией параметров. То есть он не описывает процесс создания ТС.
МО ложно воспринимается как способ поиска закономерностей. Это же ошибка новичка.
Это же самый топорный подход, наряду с обу/переобучением в скользящем окне и переоптимиздацией параметров. То есть он не описывает процесс создания ТС.
МО ложно воспринимается как способ поиска закономерностей. Это же ошибка новичка.
Главное быть профессионалом в рисовании красивых балансом с Р-квадрат = 1.
А где хотя бы один баланс из тестера?
Главное быть профессионалом в рисовании красивых балансом с Р-квадрат = 1.
А где хотя бы один баланс из тестера?
Что значит "работают"?
Вы явно хотите говорить о своём наболевшем, используя моё сообщение просто как повод для этого. В принципе, понимаю что вы хотели сказать и согласен что это очень важно, но у меня речь о другом.
В контексте моего сообщения речь идёт просто о стандартных условиях для алгоритмов, которые собирают в ансамбль - ошибка меньше чем у наивного алгоритма (ещё нужна независимость конечно)
Но подходящая для МО-трейдинга платформа не помешала бы. С кастомными событиями и нормальной синхронизацией событий на истории.
Вы явно хотите говорить о своём наболевшем, используя моё сообщение просто как повод для этого. В принципе, понимаю что вы хотели сказать и согласен что это очень важно, но у меня речь о другом.
В контексте моего сообщения речь идёт просто о стандартных условиях для алгоритмов, которые собирают в ансамбль - ошибка меньше чем у наивного алгоритма (ещё нужна независимость конечно)
...
Можно ли как-то применить методы "оттуда", чтобы пустить агента на график.
Агент будет видеть постоянно бесконечную картину паттернов "много входных данных (по сути - голый график), но как-то обучаться "выигрывать" в этой среде.
Подумалось.
Что мы видим в реальном мире вокруг? Деревья, дома, и много чего ещё. У этого мира есть свои физические законы, сила гравитации, инерция тел, законы преломления волн и многие другие. Так вот, деревья и дома - это не законы, это данные. Грубо говоря, по расположению деревьев и домов на текущей улице и нескольких предыдущих, пытаться предсказать расположение деревьев и домов на следующей улице. Абсурд? - конечно. Но именно так в большинстве случаев и получается, когда применяют МО к рыночным данным - попытка предсказать деревья на следующей улице (как угодно, значения цены или приращения, направление или диапазон), это никак не выявление законов в цвр. А ещё даже додумываются до такого "вот, если чуть-чуть недообучить прогнозировать деревья и дома на следующей улице, то точно получится обобщение и получится вычислить закон гравитации в этом плоском мире ценового графика...". Не, не получится.
Поэтому да, такой вот агент на графике должен воспринимать "деревья" как следствие, а не причину - законы. Должен буквально жить и улучшать свои навыки, обучаясь и ориентируясь по законам этого свечного мира.
Похоже, что вообще нет никаких фиксированных ценовых паттернов. Не могу утверждать точно, но это похоже на поиск знакомых фигур в небе, образованных облаками (это просто сгустки пара, нет никаких закономерностей в форме). Закономерности в другом - в температуре, давлении и влажности, вот что формирует облака.
Подумалось.
Что мы видим в реальном мире вокруг? Деревья, дома, и много чего ещё. У этого мира есть свои физические законы, сила гравитации, инерция тел, законы преломления волн и многие другие. Так вот, деревья и дома - это не законы, это данные. Грубо говоря, по расположению деревьев и домов на текущей улице и нескольких предыдущих, пытаться предсказать расположение деревьев и домов на следующей улице. Абсурд? - конечно. Но именно так в большинстве случаев и получается, когда применяют МО к рыночным данным - попытка предсказать деревья на следующей улице (как угодно, значения цены или приращения, направление или диапазон), это никак не выявление законов в цвр. А ещё даже додумываются до такого "вот, если чуть-чуть недообучить прогнозировать деревья и дома на следующей улице, то точно получится обобщение и получится вычислить закон гравитации в этом плоском мире ценового графика...". Не, не получится.
Поэтому да, такой вот агент на графике должен воспринимать "деревья" как следствие, а не причину - законы. Должен буквально жить и улучшать свои навыки, обучаясь и ориентируясь по законам этого свечного мира.
Похоже, что вообще нет никаких фиксированных ценовых паттернов. Не могу утверждать точно, но это похоже на поиск знакомых фигур в небе, образованных облаками (это просто сгустки пара, нет никаких закономерностей в форме). Закономерности в другом - в температуре, давлении и влажности, вот что формирует облака.
Если хаотичные деревья и дома - это визуальное следствие физики, температуры, давления и тд, то хаотичный визуальный график - это следствие фундаментальных факторов.
То есть, машина ничего не сможет извлечь из хаоса на графике, проглатывая этот самый хаос на графике.
В этом есть смысл, но учитывая, что у нас нет фундаментальных входных данных для машины (или они скудные-недостаточные), то приходится сидеть с тем, что есть.
И тут мысль такая: косвенные признаки. По аналогии с природой: мох растёт с северной стороны. И вот уже известна опора для координат. И тд.
Получается, мы ищем именно косвенные признаки в хаосе графике. Косвенные следы фундамента, каких-то действий крупняка, и тд. В этом и есть смысл машины: найти их.
Грубо говоря, смысл ковыряться в графике всё-таки есть.