Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3346

Новый комментарий
Maxim Dmitrievsky #:


То есть это получается, что сама закономерность на уровне спреда, или как это трактовать? То есть она не покрывает торговые издержки.

Так и есть, на машках добивался равномерного убытка на каждой сделке равные спреду))) При нулевом спреде равномерный профит)

Maxim Dmitrievsky #:


То есть это получается, что сама закономерность на уровне спреда, или как это трактовать? То есть она не покрывает торговые издержки.

Спред тут не при чем.

Тупо берем статистику для Н1 

> quantile(abs(na.omit(diff(CLOSE))), probs = seq(0, 1, 0.01)) 
       0%        1%        2%        3%        4%        5%        6%        7%        8%        9%       10%       11%       12% 
0.0000000 0.0000100 0.0000200 0.0000300 0.0000400 0.0000500 0.0000600 0.0000700 0.0000800 0.0000800 0.0000900 0.0001000 0.0001100 
      13%       14%       15%       16%       17%       18%       19%       20%       21%       22%       23%       24%       25% 
0.0001200 0.0001300 0.0001400 0.0001500 0.0001700 0.0001800 0.0001900 0.0002000 0.0002100 0.0002200 0.0002300 0.0002400 0.0002500 
      26%       27%       28%       29%       30%       31%       32%       33%       34%       35%       36%       37%       38% 
0.0002600 0.0002700 0.0002800 0.0002900 0.0003000 0.0003100 0.0003200 0.0003400 0.0003500 0.0003700 0.0003800 0.0003900 0.0004000 
      39%       40%       41%       42%       43%       44%       45%       46%       47%       48%       49%       50%       51% 
0.0004200 0.0004300 0.0004400 0.0004500 0.0004700 0.0004800 0.0004900 0.0005100 0.0005300 0.0005400 0.0005500 0.0005700 0.0005900 
      52%       53%       54%       55%       56%       57%       58%       59%       60%       61%       62%       63%       64% 
0.0006000 0.0006200 0.0006400 0.0006600 0.0006800 0.0006900 0.0007100 0.0007300 0.0007500 0.0007700 0.0007900 0.0008100 0.0008300 
      65%       66%       67%       68%       69%       70%       71%       72%       73%       74%       75%       76%       77% 
0.0008600 0.0008800 0.0009100 0.0009300 0.0009600 0.0009800 0.0010100 0.0010300 0.0010600 0.0010900 0.0011300 0.0011700 0.0012100 
      78%       79%       80%       81%       82%       83%       84%       85%       86%       87%       88%       89%       90% 
0.0012500 0.0012900 0.0013300 0.0013700 0.0014200 0.0014600 0.0015100 0.0015730 0.0016300 0.0017000 0.0017700 0.0018500 0.0019300 
      91%       92%       93%       94%       95%       96%       97%       98%       99%      100% 
0.0020200 0.0021500 0.0022900 0.0024400 0.0026400 0.0029300 0.0032600 0.0037200 0.0048404 0.0173300

и тупо видим, с какой величины приращения цены Ваши "прибыльные" прогнозы превращаются в убыточные, т.е. при среде в 10 пипсов 4- знака лишь 25% движения рынка становятся потенциально прибыльными. Это при безошибочном прогнозе!

[Удален]
СанСаныч Фоменко #:

Спред тут не при чем.

Тупо берем статистику для Н1 

и тупо видим, с какой величины приращения цены Ваши "прибыльные" прогнозы превращаются в убыточные, т.е. при среде в 10 пипсов 4- знака лишь 25% движения рынка становятся потенциально прибыльными. Это при безошибочном прогнозе!

Вы не понимаете, о чем я пишу

При разметке с учетом спреда, 0% сделок убыточные. И не важно по средней цене + спред это считать, или по саберовским тикам на бид и аск отдельно. В среднем результат сопоставим.

по тикам можно посчитать уже потом, если лютый скальпер и работает в 1-2х дц, мне такие ТС не особо импонируют

Постройте диаграмму-распределение сделок, где по горизонтали прибыль закрытых позиций, по вертикали - количество закрытых позиций.

Для узкого спреда и широкого.

Maxim Dmitrievsky #:

Вы не понимаете, о чем я пишу

При разметке с учетом спреда, 0% сделок убыточные. И не важно по средней цене + спред это считать, или по саберовским тикам на бид и аск отдельно. В среднем результат сопоставим.

по тикам можно посчитать уже потом, если лютый скальпер и работает в 1-2х дц, мне такие ТС не особо импонируют

Моя разметка - это приращение цены.

Возьмите свою разметку и посмотрите квантиль На какую прибыль рассчитана Ваша разметка? Вот и сравните ее сос статистикой. 

СанСаныч Фоменко #:

Моя разметка - это приращение цены.

В тот же список.

[Удален]
СанСаныч Фоменко #:

Моя разметка - это приращение цены.

Возьмите свою разметку и посмотрите квантиль На какую прибыль рассчитана Ваша разметка? Вот и сравните ее сос статистикой. 

Не, с этим проблем нет. Не важно, на какую прибыль рассчитана. Важно какая потом ошибка классификации. Вот она растет при добавлении спреда в обучение или остается прежней.

Но модель лучше не начинает работать при учете спреда в разметке, не дает профит, а без спреда все так же работает, как если бы была обучена без него. Поэтому я отнес спред, условно, к ошибке классификации. То есть отклик модели не позволяет его побить.

Под учетом спреда в разметке подразумевается длина сделок, которая его превышает. То есть я делаю сделки более длинными, потом обучаю, а результат при тестировании на повышенном спреде почти такой же, как и результат другой модели, обученной на более коротких сделках.

Получается довольно однозначный вывод, что на моих признаках, допустим, МО не может побить спред.

Но иногда может, при определенных махинациях, связанных с козулом. То есть если есть некий стат. показатель выведенной "надежности" сигналов, то они работают и при повышении спреда.

Maxim Dmitrievsky #:

Не, с этим проблем нет. Не важно, на какую прибыль рассчитана. Важно какая потом ошибка классификации. Вот она растет при добавлении спреда в обучение или остается прежней.

Но модель лучше не начинает работать при учете спреда в разметке, не дает профит, а без спреда все так же работает, как если бы была обучена без него. Поэтому я отнес спред, условно, к ошибке классификации. То есть отклик модели не позволяет его побить.

Под учетом спреда в разметке подразумевается длина сделок, которая его превышает. То есть я делаю сделки более длинными, потом обучаю, а результат при тестировании на повышенном спреде почти такой же, как и результат другой модели, обученной на более коротких сделках.

Получается довольно однозначный вывод, что на моих признаках, допустим, МО не может побить спред.

Но иногда может, при определенных махинациях, связанных с козулом. То есть если есть некий стат. показатель выведенной "надежности" сигналов, то они работают и при повышении спреда.

Не важно, на какую прибыль рассчитана. Важно какая потом ошибка классификации.

Из-за этого подхода "правильно" классифицируете потенциально убыточные сделки. В реальности ситуация гораздо хуже не только из-за спреда. В реальном советнике добиться из "правильной" классификации прибыльной системе остается проблемой, как это не удивительно.

[Удален]
СанСаныч Фоменко #:

Не важно, на какую прибыль рассчитана. Важно какая потом ошибка классификации.

Из-за этого подхода "правильно" классифицируете потенциально убыточные сделки. В реальности ситуация гораздо хуже не только из-за спреда. В реальном советнике добиться из "правильной" классификации прибыльной системе остается проблемой, как это не удивительно.

Сначала разметка делается максимально профитной. Потом ресемплятся и фильтруются "надежные" примеры на основании ошибок модели, остальное размечается как мусор. Потому что понятно, что такой идеальной торговли, как при изначальной граальной разметке никогда не будет (без спреда будет почти грааль). Профитность падает до какого-то уровня, стабильность на новых данных растет. Выбирается баланс между тем и тем.

Вроде логично и не так туманно, как обосновывают свои ТС другие.

самый простой для понимания вариант описал в статье, можете сами проверить, ядро алгоритма простое.

Кросс-валидация и основы причинно-следственного вывода в моделях CatBoost, экспорт в ONNX формат
Кросс-валидация и основы причинно-следственного вывода в моделях CatBoost, экспорт в ONNX формат
  • www.mql5.com
В данной статье предложен авторский способ создания ботов с использованием машинного обучения.
Maxim Dmitrievsky #:

Сначала разметка делается максимально профитной. Потом ресемплятся и фильтруются "надежные" примеры на основании ошибок модели, остальное размечается как мусор. Потому что понятно, что такой идеальной торговли, как при изначальной граальной разметке никогда не будет (без спреда будет почти грааль). Профитность падает до какого-то уровня, стабильность на новых данных растет. Выбирается баланс между тем и тем.

Вроде логично и не так туманно, как обосновывают свои ТС другие.

самый простой для понимания вариант описал в статье, можете сами проверить, ядро алгоритма простое.

Бегло посмотрел статью.

Выделил из самого начала некий базовый посыл, на котором строится все остальное:

Если мы обучаем модель много раз на случайных подвыборках, а затем проверяем качество предсказания на каждой и суммируем все ошибки, то получаем относительно достоверную картину случаев, где она на самом деле часто ошибается и случаев, которые часто угадывает.

Совершенно не согласен.

Любая кросс валидация не способна по определению улучшить качество модели. Кросс валидация позволяет вычислить более ДОСТОВЕРНОЕ значение ошибки за счет набора статистики. Все. и полученная ошибка классификации может иметь или не иметь к предсказанию на внешнем файле, т.е. в реальной торговле.

Качество предсказания моделью определяется  набором предикторов для конкретного набора меток и никакого отношения не имеет к модели. До моделированию следует ответить на вопрос: подходят ли друг другу предикторы и их метки? С помощью модели на этот вопрос ответить невозможно, а Вы пытаетесь это сделать.

1...333933403341334233433344334533463347334833493350335133523353...3746
Новый комментарий