ФорумРазделы

Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3342

Новый комментарий
Maxim Dmitrievsky #:
Основной хлеб с икрой лежит на уровне спреда, в большом кол-все коротких транзакций. Не совсем понятна логика, как искать баланс между кол-вои сделок и предсказуемостью. Увеличение продолжительности сделок и уменьшение их кол-ва плавно приводит к потере альфы.

Мама, пришли мне шерстяные носки. У нас в камере пол с электроподогревом, но никто не знает код как его влючить.)

[Удален]
Forester #:

Использовать реальный спред для разметки и в признаках. Насчет признаков не уверен, что поможет, тоже получается, что на 3-5 признаках ООС лучше, чем если модель 100-1000 использует. Т.е. шанс, что спред попадет в эти 3-5 небольшой.
Может это пару % добавит в нашу сторону от почти 50/50, которые получаются сейчас. А может как всегда просто отнимет время на все это, без значимого результата.

Перехожу с баров на тики, там спред реальный, а не минимальный за бар. Для разметки буду использовать Virtual тестер oт fxsaber-a (совершить сделки и получить их результат можно не портя статистику тестера MQ, на котором торговать только по сигналам модели), потом обучать модель по субботам и торговать до след. субботы. Будет валкинг-форвард, как в реале. Но у вас свой вирт. тестер в Питоне, может оно вам  и не нужно.

При увеличении спреда в тестере, часть сделок как бы отлетает в минус. Но часть остается. Обучать можно вообще без него, но вопрос как потом прогонять на нужном спреде и фиксить ТС, отбрасывая плохие сделки. Хочется либо переобучить, либо воткнуть фильтр. Не могу определиться.

Потому что попытки встроить спред в само обучение не получаются.
Maxim Dmitrievsky #:

При увеличении спреда в тестере, часть сделок как бы отлетает в минус. Но часть остается. Обучать можно вообще без него, но вопрос как потом прогонять на нужном спреде и фиксить ТС, отбрасывая плохие сделки. Хочется либо переобучить, либо воткнуть фильтр. Не могу определиться.

Потому что попытки встроить спред в само обучение не получаются.

Когда мама пришлет шерстяные носки, код найдешь в них. А пока я не буду мешать согревать ваше самолюбие.

[Удален]
Uladzimir Izerski #:

Когда мама пришлет шерстяные носки, код найдешь в них. А пока я не буду мешать согревать ваше самолюбие.

совсем конченый? слейся отсюда

Maxim Dmitrievsky #:

совсем конченый? слейся отсюда

По жаргону вижу, что носки еще не пришли.)

Maxim Dmitrievsky #:

При увеличении спреда в тестере, часть сделок как бы отлетает в минус. Но часть остается. Обучать можно вообще без него, но вопрос как потом прогонять на нужном спреде и фиксить ТС, отбрасывая плохие сделки. Хочется либо переобучить, либо воткнуть фильтр. Не могу определиться.

Потому что попытки встроить спред в само обучение не получаются.

Наверное классически фильтровать, if( Spred > 10 pt ){не торговать и не размечать}. Или не в пунктах, средний спред * 2 или *3... *10.

Forester #:

Наверное классически фильтровать, if( Spred > 10 pt ){не торговать и не размечать}. Или не в пунктах, средний спред * 2 или *3... *10.

Улыбнула почти уверенная мысль на невероятно умную мысль.

И все вокруг дураки что ли???.

[Удален]
Forester #:

Наверное классически фильтровать, if( Spred > 10 pt ){не торговать и не размечать}. Или не в пунктах, средний спред * 2 или *3... *10.

Особенность в том, что даже не зная реальный спред, часть сделок отлетает, когда повышаешь его искусственно в тестере. То есть, как бы уже сразу видны слабые места, где торговать не стоит. Поэтому отнес его, условно, к ошибке модели.
[Удален]
Aleksey Nikolayev #:

Нужно хорошее probabilistic forecasting для рядов, но не такое убогое как нынче (квантильная регрессия, например). В самой статье про это не увидел, хотя в списке литературы вроде есть по этой теме.

Есть что-то от яндекса

Uncertainty in Gradient Boosting via Ensembles
Uncertainty in Gradient Boosting via Ensembles
  • research.yandex.com
For many practical, high-risk applications, it is essential to quantify uncertainty in a model's predictions to avoid costly mistakes. While predictive uncertainty is widely studied for neural networks, the topic seems to be under-explored for models based on gradient boosting. However, gradient boosting often achieves state-of-the-art results on tabular data. This work examines a probabilistic ensemble-based framework for deriving uncertainty estimates in the predictions of gradient boosting classification and regression models. We conducted experiments on a range of synthetic and real datasets and investigated the applicability of ensemble approaches to gradient boosting models that are themselves ensembles of decision trees. Our analysis shows that ensembles of gradient boosting models successfully detect anomalous inputs while having limited ability to improve the predicted total uncertainty. Importantly, we also propose a concept of a virtual ensemble to get the benefits of...
[Удален]

как легко спредом слить ТС на часовках

1...333533363337333833393340334133423343334433453346334733483349...3747
Новый комментарий