Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2835
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
Улучшились результаты обучения?)
Нет, к сожалению.
Сейчас смотрю сайт Лопеза де Прадо. https://quantresearch.org/Patents.htm
У него новый патент, выдали в сентябре (Tactical Investment Algorithms through Monte Carlo Backtesting)
Много ценных идей, к примеру он ставит акцент на наукастинге (nowcasting - краткосрочное прогнозирование)
Цитата: "Shortrange predictions are statistically more reliable than longrange predictions"
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Основные выводы сделанные во время пандемии коронавируса.
What lessons can we learn amid this crisis?
1. More nowcasting , less forecasting
2. Develop theories, not trading rules
3. Avoid allregime strategies
Нет, к сожалению.
Сейчас смотрю сайт Лопеза де Прадо. https://quantresearch.org/Patents.htm
У него новый патент, выдали в сентябре (Tactical Investment Algorithms through Monte Carlo Backtesting)
Много ценных идей, к примеру он ставит акцент на наукастинге (nowcasting - краткосрочное прогнозирование)
Цитата: "Shortrange predictions are statistically more reliable than longrange predictions"
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
Основные выводы сделанные во время пандемии коронавируса.
What lessons can we learn amid this crisis?
1. More nowcasting , less forecasting
2. Develop theories, not trading rules
3. Avoid allregime strategies
Нет, к сожалению.
А обучение нормально проходило или не обучался вовсе?
А обучение нормально проходило или не обучался вовсе?
Нормально, в том смысле что расчет правильный (макс. Шарп у меня был на уровне 3 - 4), но так как класс без декоратора njit, то и обучение очень медленное
Нормально, в том смысле что расчет правильный (макс. Шарп у меня был на уровне 3 - 4), но так как класс без декоратора njit, то и обучение очень медленное
А что такое - декоратор njit ?
А что такое - декоратор njit ?
приставка от разработчиков pandas для ускорения выполнения кода в функциях
Не важно, на истории или в будущем. И тестер сам по себе тут ни причем.
Важно свойство алгоритма (алгоритма оптимизации индивидуально или в составе с сеткой) находить глобальный оптимум оценочного критерия. Подчеркиваю - оценочного критерия. Оценочный критерий это не обязательно и/или только прибыль. Это может быть что угодно, к примеру, оценочный критерии работы на OOS чем не критерий (минимазации разницы между сэмпл и оос)? - это на вскидку. Критерии могут быть какими угодно и какой угодно сложности. Важно понимать, что критерий "Прибыль" - очень овражная, к тому же дискретная штука, поэтому люди пытаются придумывать более гладкие, более монотонные оценочные критерии, что в целом повышает качество оптимизации самого по себе и обучения нейронки в частности.
Поэтому, возвращаясь к тому что я нарисовал на высокохудожественном рисунке - наглядная иллюстрация того, что в условиях когда неизвестно ни количество ни характеристики локальных экстремумов единственный выход - искать до упора тот, который вообще возможно в условиях ограниченных вычислительных возможностей.
Плато - да, есть такое понятие, но это не относится к оптимизации, это вопрос классификации схожих наборов параметров ко какому то признаку. Искать устойчивое плато - отдельная комплексная задача.
Еще раз: никакой ценности экстремумы не представляют: неустойчивая точка, которая к тому же не существует, так как имеем дело со случайными процессами, причем нестационарными.
Искать нужно плато даже такое, которое на рисунке, лишь бы прибыльное, пусть выше локального и глобального минимума. Такое плато теоретически покажет верхнюю границу прибыльности ТС. А найденные экстремумы вообще ни о чем - их точно нет в будущем, а вот плато есть надежда
у вас странное представление о "плато". плато это вовсе не типа площадки на исследуемой функции. плато - это совокупность сетов параметров по какому то признаку.
прибыль не имеет никакого отношения к нестационарности рядов и не тем более к способности сети обучаться и работать со схожими результатами на неизвестных данных.
вы воспринимаете функцию типа прибыль буквально, то есть как будто эта функция выглядит как график баланса в тестере. это в корне не верно.
Еще раз: никакой ценности экстремумы не представляют: неустойчивая точка, которая к тому же не существует, так как имеем дело со случайными процессами, причем нестационарными.
Искать нужно плато даже такое, которое на рисунке, лишь бы прибыльное, пусть выше локального и глобального минимума. Такое плато теоретически покажет верхнюю границу прибыльности ТС. А найденные экстремумы вообще ни о чем - их точно нет в будущем, а вот плато есть надежда
оптимизация не про поиск чего-то не знамо чего, а про улучшение доходности ТС, например
У вас вся поверхность представляет интерес в нормальной ситуации, а особенно экстремумы как увеличение потенциальной прибыли, допустим. А на плато успеете скатиться.
Или у вас вся поверхность потонула и остались только экстремумы и плато, торчащие над водой, которые надо отыскать? Тогда это уже изначально подгонка.
это все равно что собраться и сказать "давайте что-нибудь оптимизировать и искать плато", если найдем плато - то там лежит клад. Так вы себе это представляете?
Надежда на спасение конечно есть, но она ничтожно мала
я себе представляю процесс нахождения рабочих сетов нейросети как можно проиллюстрировать на примере: есть воображаемая гора эверест, у которой один единственный максимум. задача - проложить дорогу к максимуму так, что бы угол дороги не превышал 3 градуса и при этом путь должен быть как можно короче. вот если искать путь прямой до вершины, то обязательно куча народа навернётся и погибнет (будут плакать приземлившись внизу, расплющившись при этом, жаловаться на нестационарность розы ветров). зачем нужен такой максимум? есть другая функция, производная от функции горы, которая включает в себя два критерия - угол наклона горы и длина дороги. эта задача сводиться к оптимизации и нахождения минимума этой производной функции от горы (минимизация угла наклона и длины дороги). такмим образом у этой функции будет множество локальных экстремумов и только один глобальный. при этом решая эту задачу мы найдем безопасный путь на вершину эвереста, никто не погибнет и нестационарность ветров нам будет пофигу. а вот "плато" надо понимать не как некая площадка на горе где можно передохнуть, а группа вариантов пути со схожими характеристиками угол*длина удовлетворяющие требованиям безопасности.
как то так, в общем виде. "безопасную" дорогу способен найти далеко не каждый алгоритм. важны как поисковые свойства так и сходимость и скорость сходимости.