Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2633

[Aleksey Nikolayev]

mytarmailS #:

data

запускаем функцию  и ищем последовательности которые приводят к нашым меткам

Функцыя "грязная" писал для себя, но работает , пути внутри функции измени под себя и установи нужные пакеты

Но знай алгоритны ищащие такие "разреженые последовательности" такого типа очень прожорливы, там идет перебор просто диких размеров, несмотря на то что сам алгоритм делает ефективный перебор и написан на с++ 

Спасибо, подумаю как прикрутить к своим задачам.

[mytarmailS]

Aleksey Nikolayev #:

Спасибо, подумаю как прикрутить к своим задачам.

Будут вопросы, спрашивай. Я много времени потратил на такой подход,  так что более менее в теме, более того щитаю этот подход самым перспективных 

[Mikhail Mishanin]

Один подход или оба?

https://habr.com/ru/post/661457/

[Aleksey Nikolayev]

Mikhail Mishanin #:

Один подход или оба?

https://habr.com/ru/post/661457/

На мой взгляд, гармоничное сочетание обоих подходов с учётом особенностей наших задач. Признаки должны "цеплять" "физику" рынка, а модели должны строиться для повышения прибыли (а не вероятности быть правым, например)

[Aleksey Nikolayev]

Ещё немного квазифилософии. Компромисс между смещением и дисперсией всегда будет ограничивать сложность модели. Поэтому никогда нельзя быть уверенным, что модель будет хорошо работать на всём множестве предикторов. Соответственно, появляется задача определить рабочее подмножество этой модели. Если правильно понял, это именно то о чём писал недавно Максим (про две модели). Это вполне соответствует старой идее, что "не нужно пытаться быть всё время в рынке".

Было бы неплохо попытаться совместить всё это в одной модели. Например, такая идея (немного похожая была у Aleksey Vyazmikin) -- разбиваем каждый предиктор на отрезки, что даёт разбиение всего множества предикторов на многомерные кубы. Потом из всех этих кубов выбираем набор подходящих. При большой размерности эта задача будет комбинаторно неразрешимой, но можно делать по аналогии с рандом форестом -- случайно выбирать маломерные наборы предикторов. Исходное разбиение на отрезки для каждого предиктора можно делать разбиением эквити (когда сделки отсортированы не по времени, а по данному предиктору) на монотонные куски.

Дополнить всё это кроссвалидацией (форвардом) и всем прочим что полагается) Возможно, даже получится не вполне бред) Ну, или что-то подобное кто-нибудь уже делал.

[Mikhail Mishanin]

Полезная статья.
https://habr.com/ru/company/ods/blog/544208/

[[Удален]]

Mikhail Mishanin #:
Полезная статья.
https://habr.com/ru/company/ods/blog/544208/

Шляпа. Солянка из разных стат тестов

[Mikhail Mishanin]

Maxim Dmitrievsky #:
Шляпа. Солянка из разных стат тестов

Как тема к размышлению/пониманию, что

Correlation != Causation

 1-4.

А тесты свои делать в любом случае. А так статья практически рекламная)

[[Удален]]

Mikhail Mishanin #:

Как тема к размышлению/пониманию, что

Correlation != Causation

 1-4.

А тесты свои делать в любом случае. А так статья практически рекламная)

А кто говорил что равно. Типа придумать ложное утверждение, потом его опровергнуть 

[mytarmailS]

Интересно, можно ли искать закономерности в синтетических данных. Поясню - Из малой выборки 100-200 наблюдений нагеннрить из их распределения много синтетических данных и там уже искать какие то сложные последовательности итп