Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1189
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
кросс энтропия используется или Лог лосс
для мультикласс и бинарной классификации соттветственно
для задач регрессии среднекв. (rms) и подобные
я так понял это и есть Акаике
Похоже что да, оно.
проверил PCA и LDA для предобработки предикторов (избавление от коллинеарности). Как и ожидалось, на новых данных это не работает т.к. сами компоненты начинают скакать, хотя модель, может быть, чуть лучше обучается на них на трейне. Но из-за того что сами компоненты ведут себя непредсказуемо на новых данных, получается все то же самое и даже еще хуже. В общем, многие из классических техник МО к рынку просто неприменимы.
Из-за нестационарности надо иногда отбрасывать устаревшую историю:
1) Нужен правильный алгоритм отбрасывания устаревшей части выборки (поиск разладки)
2) Оставшаяся часть выборки всегда будет переменной длины и часто - короткой. Тут тоже нужны правильные модели.
Maxim Dmitrievsky:
Это уже реализовано в новой статье, но не совсем как хотелось бы.
речь о какой статье идет?
речь о какой статье идет?
которая на модерацию отправлена, еще не опубликована
есть другой подход, вижу его наиболее перспективным сейчас - брутфорс моделей через перебор выходных переменных
грубо говоря, виртуальный трейдер торгует псевдослучайным образом много раз (проходов) (типа Монте-Карло или генетики), каждый раз смотрит свою торговлю и корректирует неправильные позиции, груб говоря переворачивает убыточные что бы они стали прибыльными
после каждого прохода переобучается на скорректированных трейдах. Это уже реализовано в новой статье, но не совсем как хотелось бы. Нужны интересные комбинации выходов, зависящие от текущих состояний рынка, например от дисперсии и скоса за n-баров. При каждой такой характеристике выбирается распределение из которого сэмплятся случайные трейды, потом так же корректирубтся убыточные сделки и обучаемся на них. Через тучу проходов ищется оптимальная стратегия (на основе минимума ошибок на тестовой выборке)
Уважаемые знатоки, внимание, Вопрос: как интересным образом организовать зависимости текущих вероятностных характеристик рынка и распределений, из которых сэмлятся случайные выходы. В этом случае будет меняться как количество трейдов, так и какие-то зависимости внутри модели, т.е. получится очень много разных прибыльных моделей (решений), среди которых выбирается оптимальная по кастомному критерию оптимизации (ошибке модели, устойчивости на новых данных).Осмысленными кажутся выходы при просадке капитала выше заданной и слишком медленном его росте в сравнении с волатильностью (малое отношение сноса к дисперсии)
Не очень понятно, как этот подход поможет бороться с нестационарностью)
которая на модерацию отправлена, еще не опубликована
спс, буду ждать, теперь не пропущу статью!
интересная статейка http://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
да и блог в целом
интересная статейка http://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
да и блог в целом
Не пробовали выразить его индикатор в коде?
интересная статейка http://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
да и блог в целом
Это трендовый индикатор. Он зависит от отношения сноса к дисперсии, но при этом может быть некоррелирован с ними по отдельности
Не пробовали выразить его индикатор в коде?
неа