Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3687

Новый комментарий
 

Добавил визуализацию доходностей для кластеров. Что было бы, если бы на этом кластере купили или продали. Каждый ящик с усами - следующий бар после сигнала. Выше нуля - положительная доходность, ниже - отрицательная.

Хоть среднее для продаж по всем примерам и колбасится вокруг нулевой доходности, это лучше, чем для покупок. И хвосты меньше.

Пока что все это не очень понятно, нужно будет еще протестировать.


Statistical Significance Analysis:
Bar +1:
  Buy mean: -0.04% | Sell mean: -0.00%
  t-statistic: -3.73 | p-value: 0.0003
  * Significant difference (p < 0.05)
Bar +2:
  Buy mean: -0.07% | Sell mean: -0.00%
  t-statistic: -5.24 | p-value: 0.0000
  * Significant difference (p < 0.05)
Bar +3:
  Buy mean: -0.11% | Sell mean: -0.00%
  t-statistic: -6.49 | p-value: 0.0000
  * Significant difference (p < 0.05)
Bar +4:
  Buy mean: -0.13% | Sell mean: -0.00%
  t-statistic: -7.05 | p-value: 0.0000
  * Significant difference (p < 0.05)
Bar +5:
  Buy mean: -0.17% | Sell mean: -0.00%
  t-statistic: -8.28 | p-value: 0.0000
  * Significant difference (p < 0.05)
 
Что-то явно приукрасили в своей статье академики, не воспроизводятся результаты :)
 
Некоторые мысли по поводу разметки сделок для трендовых стратегий.
Разработка трендовых торговых стратегий на основе машинного обучения
Разработка трендовых торговых стратегий на основе машинного обучения
  • www.mql5.com
В данной статье предложен оригинальный подход к разработке трендовых стратегий. Вы узнаете, как можно делать разметку обучающих примеров и обучать на них классификаторы. На выходе получатся готовые торговые системы, работающие под управлением терминала MetaTrader 5.
 

Иногда проблема разметки для трендовых ТС решается через такой подход.

https://www.mql5.com/ru/articles/17654 

Машинное обучение в однонаправленной трендовой торговле на примере золота
Машинное обучение в однонаправленной трендовой торговле на примере золота
  • www.mql5.com
В данной статье рассматривается подход к торговле только в выбранном направлении (на покупку или на продажу). Для этого используется техника причинно-следственного вывода и машинное обучение.
 
Понравилась статья. Можно будет попробовать прикрутить машинное обучение к стратегии.
Statistical Arbitrage Through Mean Reversion in Pairs Trading: Beating the Market by Math
Statistical Arbitrage Through Mean Reversion in Pairs Trading: Beating the Market by Math
  • www.mql5.com
This article describes the fundamentals of portfolio-level statistical arbitrage. Its goal is to facilitate the understanding of the principles of statistical arbitrage to readers without deep math knowledge and propose a starting point conceptual framework. The article includes a working Expert Advisor, some notes about its one-year backtest, and the respective backtest configuration settings (.ini file) for the reproduction of the experiment.
 
Maxim Dmitrievsky #:
Понравилась статья. Можно будет попробовать прикрутить машинное обучение к стратегии.

в названии арбитраж, есть ли смысл в этом?, я помню давние твои посты, все не можешь с ним расстаться?

 
Maxim Dmitrievsky #:
Понравилась статья. Можно будет попробовать прикрутить машинное обучение к стратегии.
Было бы интересным добавить макроэкономку в признаки.
 
Aleksey Nikolayev #:
Было бы интересным добавить макроэкономку в признаки.
Интересная статья. Да, побольше бы таких примеров. Сам так сразу не сообразишь, что куда прикручивать. 
 
Там говорится: « Разброс между коррелированными парами имеет тенденцию возвращаться к среднему значению». Решатели обыкновенных дифференциальных уравнений (ОДУ) могут работать хорошо теоретически, если известно базовое динамическое уравнение временного ряда.
https://github.com/rtqichen/torchdiffeq ; это сложно, но gemini и chatgpt дают несколько простых примеров.
GitHub - rtqichen/torchdiffeq: Differentiable ODE solvers with full GPU support and O(1)-memory backpropagation.
GitHub - rtqichen/torchdiffeq: Differentiable ODE solvers with full GPU support and O(1)-memory backpropagation.
  • rtqichen
  • github.com
This library provides ordinary differential equation (ODE) solvers implemented in PyTorch. Backpropagation through ODE solutions is supported using the adjoint method for constant memory cost. For usage of ODE solvers in deep learning applications, see reference [1]. As the solvers are implemented in PyTorch, algorithms in this repository are...
 

Для возврата к среднему нужна коинтеграция, а не корреляция. Корреляция между приращениями курсов валют есть всегда и она сильно мешает определить реальное наличие коинтеграции в тестах. Когда корреляция ищется между ценами, а не их приращениями, то это по сути и есть поиск коинтеграции - коинтеграция ищется через построение регрессии цен, которая определяется через корреляцию.

В финансовой математике для моделирования рядов используются обычно не ОДУ, а СДУ - стохастические диффуры. Но суть одна и та же - если бы было известно точное уравнение ряда курса валют, то все бы давно стали трильонерами. Точнее, если бы действительно цена задавалась уравнением (неважно ОДУ или СДУ), то оно было бы быстро определено математиками и стало бы источником грааля. Когда пытаются провернуть это на практике, то всё как обычно - на истории подгонки уравнение работает замечательно, а на ООС - печаль, тоска и трубы завода на горизонте.

1...368036813682368336843685368636873688368936903691369236933694...3721
Новый комментарий