Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3725
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
Какой инструмент тестируете?
AUDCAD
c 22 по 25-й год что-то со спредом, потому что при фикс спреде там нет болтанки.
Одна граальная флэтовая валютная пара, на которой почти без разницы за какой период делать обучение.
А что это за пара? На скриншотах не могу разглядеть.
Ошибки основной и мета моделей:
Фишка разметки в том, что она не look ahead, то есть без заглядывания в будущее. Например, сигналы с помощью любого осциллятора (перекупленность/перепроданность). Потом обобщение.
Поэтому ошибки моделей маленькие, ведь они аппроксимируют индикатор по сути. Но не для всех пар можно подобрать такой магический осциллятор.
В статьях по применению МО к рынкам приводят результат применения описываемых методик к случайным рядам?
Насчет статей не помню, но сам делал эксперимент. На новых данных естественно 50/50.
Случайные данные на которых обучалось оно запомнит и часто будут давать правильные ответы, но на новых случайных данных будет 50/50.
Рассматривайте МО как базу данных с объединением и усреднением части данных. Например при делении дерева в один лист могут попасть 100 строк, среди которых 80 дают одинаковые ответы (0/1). Алгоритм выберет лучший вариант разделения данных на 2 части/листа, максимум 0 с одной стороны и максимум 1 в другом листе. И получит например лист где будет 85 из 97 одинаковых ответов.
Можно делить дерево до 1 примера в листе (так делает лес в Алглибе), тогда точность будет почти 100%. Менее 100% т.к. в реальности не все строки можно разделить, т.к. нет фичей, которые позволили бы сделать это. И часть листов все-равно будут содержать строки с разными ответами. Чем больше фич, тем лучше будет точность запоминания.
Возможно есть смысл недообучать модели для рыночных данных. Пусть будет 60% в листьях на тренировочных данных, но чтобы и на новых данных было не 50/50, а хотя бы 55%. Сам подбираю степень обученности при оптимизации.
В статьях по применению МО к рынкам приводят результат применения описываемых методик к случайным рядам?
Это практически стандарт - потестить изучаемый подход на случайных данных с заданными вероятностными характеристиками. Часто принимает вид моделирования Монте Карло, каковой в своё время вы называли пригодным только для написания бесполезных статей.
Возникло ощущение замкнувшегося круга.
Рассматривайте МО как базу данных с объединением и усреднением части данных.
Где конкретно в нейросети искать данные?
Деревянные модели в смысле данных понятнее. Листья дают среднее значение примеров, которые в него вошли.