交易中的机器学习：理论、模型、实践和算法交易 - 页 120

新评论
 
阿列克谢-伯纳科夫。
  • 我将尝试在最大FV的基础上选择模型（现在我正在按MO选择模型）。也就是说，我将改变模型质量评价功能。HZ....

评估模型质量的正确功能是非常重要的，因为你正在寻找并试图最大化的东西就是你最终的结果。如果你使用模型的准确性，就很容易陷入一个局部最大值，即模型总是返回例子数量最多的类别。对于有不平衡类的训练数据，最好使用F-score或Cohen's Kappa。但即使是他们，我也遇到了问题，因为每个柱子的价格涨幅可能是不同的，即使有一个积极的估计，你也可能处于消极状态--胜利的交易数量将多于失败的交易，但少数失败的交易可能有大的、不可挽回的损失。交易模拟，根据交易结果评估模型是正确的，我同意你的观点，我最近也开始这样做。需要在小幅缩水的情况下获得盈利 - 所以模型评估应该使用这些概念。

我认为MO不是一个好的选择，因为它没有考虑到缩减，这一点很重要。在MT5中估计EA的所有功能中，我最喜欢恢复因子和夏普比率。
恢复系数是总利润除以整个时期的最大缩减量。相当简单，但很有效。
夏普比率 - 互联网上有很多描述，但我没有找到很多公式。有一个用于MT4的代码，我想我们应该把它转到R上试试。

double GetSharpeRatioFromHistory(double riskFreeYearlyIncome = 0.01){
   double profitsArray[];
   int profitsArraySize = 0;
   
   double profitsAvg = 0.0;
   int profitsAvgCount = 0;
   
   int ordersHistoryTotal = OrdersHistoryTotal();
   if(ordersHistoryTotal == 0){
      return 0.0;
   }
   for(int i=0; i<ordersHistoryTotal; i++){
      if(OrderSelect(i, SELECT_BY_POS, MODE_HISTORY)){
         if((OrderSymbol() == _Symbol) && (OrderMagicNumber() == magic)){
            double profitForTrade = (OrderProfit() + OrderCommission() + OrderSwap());
            double seconds = double(OrderCloseTime() - OrderOpenTime());
            double riskFreeRate = riskFreeYearlyIncome / double(365*24*60*60) * seconds;
            double tradeResult = profitForTrade - riskFreeRate;
            
            profitsArraySize = ArrayResize(profitsArray, profitsArraySize+1);
            if(profitsArraySize>0){
               profitsArray[profitsArraySize-1] = tradeResult;
            }
            
            profitsAvg += tradeResult;
            profitsAvgCount++;
         }
      }
   }
   
   if(profitsArraySize == 0){
      return 0.0;
   }
   
   profitsAvg /= double(profitsAvgCount);
   
   double stdDev = 0.0;
   for(int i=0; i<profitsArraySize; i++){
      stdDev += ((profitsArray[i]-profitsAvg)*(profitsArray[i]-profitsAvg)/double(profitsArraySize));
   }
   
   if(stdDev == 0.0){
      return 0.0;
   }

   return profitsAvg/stdDev;
}

参数riskFreeYearlyIncome - 无风险投资（银行存款）的年回报率，在例子中是1%。夏普比率考虑的是战略比这种投资好多少。
double seconds = double(OrderCloseTime() - OrderOpenTime() )- 一笔交易的开仓时间（秒）。对于条形交易来说，这分别是一个条形中的多少秒。

 
Dr.Trader:

1）评估模型质量的正确功能是非常重要的，因为我们正在寻找并试图最大化的东西，这就是我们最终得到的东西。

2）但即使是他们，我也有问题，因为每条的价格上涨可能是不同的，即使有一个积极的评估，你也可能处于消极状态--胜利的交易数量将多于失败，但几个失败的交易可能有一个大的、不可挽回的损失。

3）模拟交易，并根据交易结果评估模型是正确的，我同意你的观点，我最近也开始这么做。你需要的是小幅下跌的盈利能力--所以模型评估应该使用这些概念。

4)

我认为MO不是一个好的选择，因为它没有考虑到重要的缩减问题。我在MT5中最喜欢的功能是恢复因子和夏普比率。
恢复系数是总利润除以整个时期的最大缩减量。相当简单，但很有效。
夏普比率 - 互联网上有很多描述，但我没有找到很多公式。MT4有这样的代码，我想我们应该把它转到R上试试。


1) 绝对的

2）正是如此。

3）是的，这有助于摆脱估值中的起点偏差。

4）FS是恢复系数。总的来说，我对它非常尊重。我把它放在估计功能中，这很容易。

夏普。这很容易!我解释说。

a) 你得到一个以点为单位的交易结果向量，对吗？

b) 你需要用REINVESTMENT模拟交易，并将点的向量转换为存款的百分比增量的向量。例如，我们从100,000美元开始。我们交易0.1手得到0.001（十个点）。这是每批10美元。所以这个值变成了10/100 000。以此类推，考虑到地段的增加或减少。

c) 使用所得到的百分比增量向量，计算：平均数、标准偏差。

d) 输入每年一定的无风险收益（3%）--这个数字是有条件的，是一个小数字。

e) 将你的交易转化为平均年收入，或者将每年的无风险收益分解为每笔交易的平均收益。完成了。

f) (你每笔交易(每期)的平均收益-无风险收益)/标准差

我还没有R的代码。但写这样一个函数应该不难。

 

在金融市场上，一切都在重新培训!甚至他们说的没有被重新培训的东西也被重新培训。

强化线性回归的再训练较少，但给出的学习质量很差，在对新数据的推断上也很糟糕。

 
阿列克谢-伯纳科夫。

你对价格收益进行分类的想法，从一开始对我来说就是一种纯粹的情感。如果我们预测趋势，我们看一下ZZ，很清楚：这里是一个阶层，这里是另一个阶层。如果我们看一下价格上涨的图表，它是在零附近混乱地抽动。这里明显可见的阶级在哪里？

这纯粹是一种情绪，我非常重视统计学--没有数学，一切都应该是清晰明了的。

此外，对于金融市场的价格上涨，ARIMA-ARCH已经发展了很多年，而且效果相当好。这部歌剧甚至有考虑赫斯特的模型。有什么比分类更好？

分类是模式--"头和肩"，我们对其进行了自动化的搜索，并预测了一个清晰可见的类别。通过分类，我们找到一个模式（例如以树的形式），然后说："在这个模式之后，会有增长。如果我们正确制定了目标变量，它就会。这里ZZ不是正确的目标变量。这里的想法是预测未来100点的增长。这样的目标变量在我看来要正确得多。

结论。我们应该从目标变量开始，目标永远是我们的全部，错误的目标导致沼泽。

 
桑桑尼茨-弗门科。

你对价格收益进行 分类的想法，从一开始对我来说就是一种纯粹的情感。如果我们预测趋势，我们看一下ZZ，很清楚：这里是一个阶层，这里是另一个阶层。如果我们看一下价格上涨的图表，它是在零附近混乱地抽动。这里明显可见的阶级在哪里？

这纯粹是一种情绪，我非常重视统计学--没有数学，一切都应该是清晰明了的。

此外，对于金融市场的价格上涨，ARIMA-ARCH已经发展了很多年，而且效果相当好。这部歌剧甚至有考虑赫斯特的模型。有什么比分类更好？

分类是模式--"头和肩"，我们对其进行了自动化的搜索，并预测了一个清晰可见的类别。通过分类，我们找到一个模式（例如以树的形式），然后说："在这个模式之后，会有增长。如果我们正确制定了目标变量，它就会。这里ZZ不是正确的目标变量。 这里的想法是预测未来100点的增长。这 样的目标变量在我看来要正确得多。

结论。你必须从目标变量开始，像往常一样，目标是我们的一切，错误的目标导致沼泽。

我不知道这在感情上有什么问题。这是看问题的一种方式。蜡烛的颜色也叫这个名字。

让我提醒你，回归和分类任务是建立一个有利可图的系统阶段之前的固定项目。

进一步说，我已经走到了这样的地步：我预测的不仅仅是增长的迹象，而且是具有更大模数的增长。也就是说，只在系统预测强劲增长的地方进入买入，而不仅仅是增长。也与卖。从技术上讲，机器学习的是回归。然后我把它的输出解释为强势上涨，强势下跌，在一个通道中悬空。

现在这已经非常接近于预测未来100点的上涨。只是我自己不清楚你是如何看待这种目标定位的正式化的。如果在增长之前有一个90点的下降，如果这个增长在一周内才达到，这意味着什么？

在我9点钟的地平线上，强劲的上涨大约是20个点。9小时后，该交易被关闭。

而事实上，我现在根本就没有预测到这个班级（上升/下降/喋喋不休/强势上升）。事实上，我正在建立一个系统，它在学习阶段的成绩是由交易的成熟度预期来衡量的。也就是说，分类准确率可能很低（对我来说是53%），但在正确的方向上打出的收益比不打出的略高。你感觉到问题陈述的不同了吗？分类精度与贸易盈利能力相关，但并不完全吻合。

 

顺便说一下，作为模型质量评估的函数，恢复系数也是一边倒的。我可以有10笔交易和1笔亏损的交易，或500笔交易和10笔亏损的交易。在第二种情况下，FS可能更低，而利润则是50倍。

或者，你可以从总利润中减去最大缩水。在这里，至少利润会达到最大化。

或传统的盈利因素：总利润/总损失。

 
阿列克谢-伯纳科夫。

在第二种情况下，FS可以更低，而利润可以高出50倍。

这一切都取决于你想承担的风险。例如，有两个信号：第一个信号每年带来100%的利润，最大跌幅为10%。第二个信号是300%的利润，缩水40%。所以第二个信号是以利润为主导。
但如果你计算PV，领先者将是第一个信号，这是正确的，因为你可以简单地将第一个信号的交易规模（以手为单位）增加四倍，这将带来与第二个信号相同的缩减，但利润更大。或者，如果你不想冒很大比例的账户余额的风险，你可以将第二个信号的手数减少4倍，这将得到所需的10%的余额的风险，但利润也将少于第一个信号

也就是说，该策略的交易计划可能是这样的：通过滚动前进策略确定可能的最大跌幅；计算这个跌幅比你账户余额的允许值大/小多少倍；计算手数，使这些数字趋于一致。
使用FS意味着在你开始交易之前，你将计算所有的风险并确定一个合适的手数。该策略在交易时的缩水越低，你可以使用的交易规模就越大。

 
阿列克谢-伯纳科夫。

或传统的盈利能力因素：总利润/总损失。

IMHO，更可接受的是。

Criterion_evaluation_TC = 总盈利交易量/（总盈利交易量+总亏损交易量）。

只要交易是以固定手数进行的。

在这种情况下，如果该标准高于0.5，那么TS就显示了总的利润，否则就是损失。

这个标准的优点是，它是严格配比的，其数值不能超过0到1.0（含）的范围。

缩水，甚至是尽管交易系统的最终利润，对这一标准的影响是负面的，也就是说，它们被认为是一个负面因素。

 
尤里-雷舍托夫。

IMHO，更可接受的是。

Criterion_evaluation_TC = 总盈利交易量/（总盈利交易量+总亏损交易量）。

以固定手数的交易为条件。

在这种情况下，如果标准高于0.5，那么TS就显示了最终的利润，否则就是亏损。

这个标准的优点是，它是严格配比的，其数值不能超过0到1.0（含）的范围。

缩减，甚至尽管交易的最终利润，对这一标准的影响是负面的，也就是说，它们被认为是一个负面因素。

"The_amount_of_losing_deals"--让我说清楚，如果我是指绝对值。谢谢你，我以前没有见过这样一个规范化的标准。
 
尤里-雷舍托夫。

IMHO，更可接受的是。

Criterion_evaluation_TC = 总盈利交易量/（总盈利交易量+总亏损交易量）。

以固定手数的交易为条件。

在这种情况下，如果标准高于0.5，那么TS就显示了最终的利润，否则就是亏损。

这个标准的优点是，它是严格配比的，其数值不能超过0到1.0（含）的范围。

缩减，甚至尽管交易的最终利润，对这一标准的影响是负面的，也就是说，它们被认为是一个负面因素。

如果我们在几笔交易中获得了主要的利润，而其他几千笔交易出现了小的损失怎么办？- 我不认为这是个好主意。
1...113114115116117118119120121122123124125126127...3399
新评论