Tssb (síntese e reforço do sistema de negociação)
Tssb (síntese e reforço do sistema de negociação)
Fortalecimento do Comércio e Investimento Global. o Sistema Global de Comércio e Investimento.
Impulsionador do sinal do telemóvel.
Tropico 4 Xbox 360.
Alibaba caiu mais de 4% em seu segundo dia de negociação. Síntese e Reforço dos Sistemas de Negociação, que disponibiliza testes estatísticos complexos aos investidores.
Impulsionador de celular sem fio.
Estatisticamente Aprendizado de Máquina de Som para Negociação Algorítmica de Financ.
Esta é uma estrutura de automação para o SSST (Trading System Synthesis and Boosting, TSSB). A Terra e seu sistema solar estão girando em torno da Via Láctea aproximadamente uma vez a cada.
Sistema de Reforço de Nitrogênio.
Todas as ferramentas e serviços disponíveis para auxiliar na negociação algorítmica de ações. selecione um ou mais sistemas de negociação,.Construindo uma nova agenda para fortalecer o sistema global de negociação.
Propomos um sistema de negociação automatizado de múltiplas ações que depende de uma estrutura em camadas. negociação algorítmica, impulsionando. 1
Óleo De Queima De Motor Diesel.
Estratégias de impulso com MMI. sistema de negociação real, combinando os melhores sistemas de tendência. e Resistance Support Vector Machine TSSB Testes baseados em vetores Walk. Key vantagens de fazer negócios com a ATS Scientific incluem:.
FRB: Discurso - Bernanke, Ásia e a crise financeira global - outubro.
Construa o músculo rapidamente com treinamento de alta frequência. uma resposta anabólica e aumentar a síntese de proteínas. dividido para equilibrar o sistema nervoso e prevenir. O Aprendizado Estatístico de Máquina de Som para Negociação Algorítmica de Instrumentos Financeiros tem 3 avaliações e 0 resenhas. AGRICULTURA NA ÁFRICA 3. ger, impulsionando o comércio intra-africano e os investimentos, indústria rápida.
: Apesar da notoriedade da vitamina C para impulsionar o nosso sistema imunológico.
Processo de Desenvolvimento de Produtos para Calçados.
Baixe o PDF Baixe o Word.
Catalisadores com atividade mais alta e mais estável permitem economias de custo e aumentam a produção de metanol. Agora disponível para impulsionar seus resultados de negociação: O Frontline Forex.
Tssb (síntese e reforço do sistema de negociação)
Pioneira em aprendizado de máquina & amp; desenvolvimento de sistema de negociação não-linear e reforço de sinal / filtragem desde 1979.
Iniciou o Raden Research Group em 1982 e supervisionou o desenvolvimento do PRISM (Pattern Recognition Information Synthesis Modeling).
Técnico Chartered Market certificado pela The Market Technicians Association desde 1992.
Trader proprietário de ações para Spear, Leeds e Kellogg 1997 - 2002.
Professor adjunto de finanças ministrando curso de pós-graduação em análise técnica, data mining e análise preditiva para estudantes de MBA e engenharia financeira de 2002 a 2011.
Autor de "Análise Técnica Baseada em Evidências", publicado por John Wiley & amp; Sons 2006. Primeiro livro popular para lidar com viés de mineração de dados e Método de Permutação de Monte Carlo para gerar p-valores livres de viés.
Co-designer do TSSB (Trading System Synthesis e Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos.
Autor & amp; editor de Aprendizado Estatístico de Máquina Sonora para o Algorithmic Trading of Financial Instruments: Desenvolvendo Sistemas de Negociação Baseada em Modelo Preditivo Usando o TSSB.
Proposta de um método para purificação de indicadores e Pure VIX.
Inovou o conceito de aumento de sinal: usando o aprendizado de máquina para melhorar o desempenho das estratégias existentes.
Estabilidade da Correlação da Janela Móvel e seu Uso na Avaliação de Indicadores, Journal of the Market Technicians Association, primavera de 1992 pp. 21-28 Filtros de Sinal de Reconhecimento Padrão, Associação de Técnicos do Mercado, Primavera de 1991, pp.42-51 O Método de Células de Indicador Avaliação, A Enciclopédia de Indicadores Técnicos de Mercado, capítulo 15, de Colby e Meyers, Dow Jones-Irwin, 1988 Inteligência Artificial / Reconhecimento de Padrões Aplicados à Previsão de Tendências do Mercado Financeiro, Journal of the Market Technicians Association, maio de 1985 pp. 91-132 Artificial Inteligência & amp; Reconhecimento de Padrões para Auxiliar o Analista de Mercado, Análise Financeira e de Software de Investimento, tutorial em três partes, Verão, Outono e Edição de inverno de 1984. Cibernética, A Abordagem de Negociação para os anos 80, Commodities Magazine, janeiro de 1980. Análise Técnica Baseada em Evidências: Aplicando o Método Científico e a Inferência Estatística em Sinais de Negociação. John Wiley & amp; Sons, novembro de 2006 Purified Sentiment Indicators para o mercado de ações publicado no Journal of Technical Analysis, 2010.
Os interesses externos de David incluem esqui, caminhadas, tricô e trompete de jazz.
Dr. Timothy Masters tem um PhD em estatística, com especializações em estatística aplicada e computação numérica. Ele é o autor de quatro livros altamente conceituados sobre inteligência artificial ("Practical Neural Network Recipes em C ++", "Signal and Image Processing with Neural Networks", "Advanced Algorithms for Neural Networks", "Neural, Novel e Hybrid Algorithms for Time Series Prediction").
O Dr. Masters trabalha na área de negociação automatizada de instrumentos financeiros desde 1995. Antes disso, desenvolveu software para aplicações de engenharia biomédica e sensoriamento remoto. Sua pesquisa atual se concentra em algoritmos para controlar o viés de mineração de dados, a fim de avaliar de forma justa o potencial de desempenho dos sistemas automatizados de negociação no mercado. Ele também está desenvolvendo ferramentas gráficas e analíticas para ajudar os operadores financeiros a entender melhor a dinâmica do mercado.
Seus interesses externos incluem música (ele toca teclado, violino e baixo em várias bandas) e as artes marciais (ele é um faixa preta de segundo grau estudando Washin-Ryu Karate com o Mestre Hidy Ochiai).
Livro: Estatisticamente Aprendizado de Máquina de Som para Negociação Algorítmica de Instrumentos Financeiros.
Este livro acabou de ser lançado e parece interessante & # 8230;
& # 8220; Este livro serve a dois propósitos. Primeiro, ele ensina a importância do uso de métodos estatísticos sofisticados, mas acessíveis, para avaliar um sistema de negociação antes que ele seja usado no mundo real. A fim de acomodar os leitores com conhecimento matemático limitado, essas técnicas são ilustradas com exemplos passo-a-passo usando dados reais de mercado, e todos os exemplos são explicados em linguagem simples. & # 8221;
Segundo, este livro mostra como o programa gratuito TSSB (Trading System Synthesis & Boosting) pode ser usado para desenvolver e testar sistemas de negociação. O aprendizado de máquina e os algoritmos estatísticos disponíveis no TSSB vão muito além dos disponíveis em outros softwares de desenvolvimento disponíveis no mercado. O uso inteligente dessas técnicas de ponta melhora muito a probabilidade de obter um sistema de negociação cujos resultados de backtest impressionantes continuam quando o sistema é colocado em uso em uma conta de negociação. & # 8221;
Sobre o autor Jeff Swanson.
Jeff é o fundador do System Trader Success - um site e uma missão para capacitar o profissional de varejo com o conhecimento e as ferramentas adequadas para se tornar um operador lucrativo no mundo da negociação quantitativa / automatizada.
Posts Relacionados.
Top cinco artigos mais populares de 2015.
Strategy Trading Primer.
Artigos mais populares para 2014.
Este livro soa como um esquema de marketing para um programa que vem com uma taxa de suporte de US $ 100 / hora, por isso não é de graça. É uma avenida complicada de projetar um sistema de negociação que confunde ingenuamente estatísticas descritivas para estatísticas preditivas. Os autores pretendem vender seus serviços de suporte a um preço alto em uma área que é um conhecimento muito antigo, com os fundos de hedge explorando todas as oportunidades possíveis.
Joe: Existem alguns erros no seu comentário.
Nossas taxas de suporte não são 100 por hora, mas variam de 150 a até horas, dependendo do tipo de suporte.
O livro é um tutorial passo-a-passo para aqueles que desejam se beneficiar do TSSB (Trading System Synthesis e Boosting) sem precisar de suporte de consultoria. O TSSB é gratuito. Na verdade, desde que disponibilizamos o TSSB em janeiro, vendemos um total de uma hora de suporte. O fato de publicarmos um tutorial passo-a-passo completo e detalhado é a evidência de que o suporte caro não é nosso objetivo. Na verdade, definimos as taxas em nossas taxas de consultoria padrão.
O livro está sendo vendido para ajudar o Hood River a recuperar seu investimento no desenvolvimento do TSSB. Se você chama isso de um esquema de marketing, então que assim seja.
Quanto ao seu ponto de vista de que o conhecimento que oferecemos é antigo, algumas de suas características (ARMA, PCA, GRNN, etc.) são conhecidas. Nós incorporamos o melhor que está lá fora. Mas outras características modelos OPstring, modelos Split Linear, o Purify Transform, Oracles (conjuntos inteligentes), redução dimensional inteligente, só para citar alguns são novos e não encontrados em outro lugar a qualquer preço, e muito menos livre. O que também é novo é a capacidade de testar a solidez estatística de um sistema de negociação baseado em modelos preditivos, um conjunto de modelos ou até mesmo um portfólio de sistemas de negociação desenvolvidos via aprendizado de máquina. O teste, Monte Carlo Permutation, foi proposto pelo meu co-autor Dr. Timothy Masters. Se você estiver ciente de qualquer outro software (gratuito ou não) que permita o cálculo de um valor p que seja robusto para os efeitos do viés de mineração de dados, por favor, poste um novo comentário.
Quanto ao seu ponto de vista, os autores não entendem que a diferença entre estatísticas descritivas e preditivas é completamente errônea. Se você tivesse lido o livro, perceberia o quão ridículo é esse comentário. Os sistemas de negociação desenvolvidos com o TSSB são explicitamente baseados na modelagem preditiva, em vez de regras propostas humanamente. Claro que oferece uma gama completa de estatísticas descritivas. Mas, mesmo nessa área, o TSSB oferece coisas totalmente novas, como histogramas baseados em lógica de limiar e gráficos de densidade marginal.
O livro é destinado a usuários que desejam dominar o TSSB sem suporte ou com suporte mínimo. É um tutorial passo a passo para usar todos os recursos do software que são numerosos e, até onde sabemos, não existem em nenhum outro pacote, a qualquer preço.
O que os desenvolvedores de sistemas precisam mais do que qualquer outra coisa é uma estimativa imparcial do desempenho fora do modelo do sistema e uma probabilidade de que esse desempenho tenha sido alcançado por sorte. Desenvolvemos o TSSB ao longo de um período de sete anos a um custo considerável para o nosso próprio trabalho de consultoria, porque não conseguimos encontrar um produto a qualquer preço que faça isso.
O livro não é de graça. Custou US $ 130, embora o TSSB venha com um manual de usuário gratuito de 200 páginas. Minha sugestão é comprar o livro, lê-lo e, se você sentir que foi roubado, envie-o de volta para receber um reembolso. Mas devo avisá-lo que o TSSB é uma plataforma abrangente e complicada, destinada apenas aos desenvolvedores mais sofisticados do sistema comercial. Não espere dominá-lo em algumas semanas. No entanto, você será capaz de desenvolver um sistema de negociação autônomo e um filtro de sinal do sistema de negociação até o final do segundo capítulo.
Obrigado por seus comentários.
David R. Aronson.
Posts populares.
Atualização de RSI de 2 períodos do Connors para 2013.
Este indicador simples faz dinheiro de novo e de novo.
O portfólio Ivy.
Melhorando a estratégia do intervalo simples, parte 1.
Copyright © 2011-2018 pela Capital Evolution LLC. - projetado por prosperar temas | Alimentado por WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Após o login, você pode fechá-lo e retornar a esta página.
Sistemas de Negociação Baseada no Modelo Preditivo, Parte 1.
Negociar instrumentos financeiros de maneira objetiva e sistemática tem inúmeras vantagens em relação às abordagens subjetivas:
Sistemas de negociação automatizados projetados inteligentemente podem e frequentemente superam o desempenho de negociações orientadas para o ser humano devido a vários vieses e emocionalismos cognitivos. Um programa eficaz de mineração de dados pode descobrir padrões sutis no comportamento do mercado que a maioria dos humanos não teria chance de ver. Um sistema automatizado é absolutamente repetível, enquanto um sistema controlado por seres humanos está sujeito a caprichos humanos. A consistência da tomada de decisões é uma rentabilidade vital a longo prazo. A repetibilidade também é valiosa porque permite o exame de negociações para estudar a operação e talvez melhorar o desempenho por meio de filtragem de sinal. Os sistemas de negociação automatizados mais bem projetados são passíveis de análise estatística rigorosa, que pode avaliar medidas de desempenho, como o desempenho futuro esperado, e a probabilidade de que o sistema tenha existido devido à boa sorte, e não ao poder real. A operação desacompanhada é possível.
Sistemas de negociação automatizados são geralmente usados para uma ou ambas as duas aplicações. O TSSB (Trading System Synthesis and Boosting) é um programa de última geração que é capaz de gerar ambas as aplicações: (1) um sistema de negociação completo e independente que toma todas as decisões de negociação e (2) um modelo que pode ser usado para filtrar as negociações de um sistema de negociação existente para melhorar o desempenho. Nós nos referimos a isso como "impulsionar". Muitas vezes, é o caso de selecionar inteligentemente um subconjunto dos sinais gerados por um sistema comercial existente, e rejeitar os outros, podemos melhorar a relação risco / recompensa.
Duas abordagens para negociação automatizada.
Se o objetivo do usuário é o desenvolvimento de um sistema de negociação independente ou um sistema de filtragem para melhorar o desempenho de um sistema comercial existente, existem duas abordagens comuns para seu desenvolvimento e implementação: (1) regras baseadas em regras IF / THEN por um humano) e modelagem preditiva.
Um sistema de negociação baseado em regras requer que o usuário especifique as regras exatas que tomam decisões comerciais, embora um ou mais parâmetros associados a essas regras possam ser otimizados pelo software de desenvolvimento. Aqui está um exemplo simples de um sistema de negociação baseado em algoritmo:
Se a média móvel de curto prazo dos preços exceder a média móvel de longo prazo dos preços, ENTÃO mantenha uma posição longa durante a próxima barra.
O algoritmo acima declara explicitamente a regra que decide as posições barra a barra, embora a definição exata de "curto prazo" e "longo prazo" seja deixada em aberto. O desenvolvedor pode usar o software para encontrar distâncias de lookback de média móvel que maximizam alguma medida de desempenho. Programas como o TradeStation® incluem uma linguagem proprietária (neste caso, EasyLanguage®), através da qual o desenvolvedor pode especificar regras de negociação.
Com a ampla disponibilidade de computadores de mesa de alta velocidade, uma abordagem alternativa para o desenvolvimento de sistemas de negociação tornou-se viável. A modelagem preditiva emprega software matematicamente sofisticado para examinar indicadores derivados de dados históricos, como preço, volume e interesse aberto, com o objetivo de descobrir padrões repetitivos que tenham poder preditivo. Um modelo preditivo é essencialmente uma fórmula matemática ou lógica que relaciona esses padrões a uma variável prospectiva chamada variável-alvo ou variável dependente, como o retorno do mercado na próxima semana. Essa é a abordagem usada pelo TSSB e tem várias vantagens sobre o desenvolvimento de sistemas baseados em algoritmos:
O software de modelagem inteligente utilizando o aprendizado de máquina pode descobrir padrões que são tão complexos ou enterrados sob ruídos aleatórios que nenhum ser humano jamais poderia vê-los. Uma vez que um sistema de negociação de modelos preditivos é desenvolvido, geralmente é fácil ajustar sua operação para ajustar a relação risco / recompensa para se adequar a aplicações que variam em um amplo espectro. Pode obter um trade-off desejado entre numerosos sinais com menor probabilidade de sucesso e menos sinais com maior probabilidade de sucesso. Isso é feito ajustando um limite que converte as previsões do modelo em sinais discretos de compra e venda. Um software bem projetado permite que o desenvolvedor ajuste o grau de automação empregado na descoberta de sistemas de negociação. Desenvolvedores experientes podem manter um grande controle sobre o processo e colocar seu conhecimento para trabalhar, criando sistemas com certas propriedades desejadas, enquanto desenvolvedores inexperientes podem tirar proveito da automação maciça, permitindo que o software tenha controle majoritário. Em geral, a modelagem preditiva é mais passível de análise estatística avançada do que o desenvolvimento de sistemas baseados em regras. Algoritmos de análise sofisticados para testar a integridade estatística de suas descobertas podem ser incorporados ao processo de geração de modelos mais facilmente do que podem ser incorporados em sistemas baseados em regras especificadas pelo homem. Modelagem preditiva de uma disciplina matemática bem desenvolvida para extrair o máximo de informações de um conjunto de dados que complementam a intuição humana. A intuição é capaz de propor séries de dados e formas de transformá-las em uma grande lista de indicadores candidatos. A modelagem preditiva, mesmo em sua forma mais simples, a regressão linear é superior à intuição humana ao selecionar os melhores candidatos e combiná-los em uma previsão. Houve mais de 150 estudos acadêmicos comparando especialistas humanos com modelos estatísticos que atestam esse fato.
Modelagem Preditiva.
A abordagem de modelagem preditiva para o desenvolvimento de sistemas comerciais depende de uma propriedade básica do movimento dos preços de mercado: todos os mercados contêm padrões que tendem a se repetir ao longo do histórico e, portanto, podem ser usados para prever atividades futuras. Por exemplo, sob algumas condições, pode-se esperar que uma tendência continue até que o movimento esteja esgotado. Sob outras condições, um padrão diferente se manifesta: uma tendência é mais provável de ser seguida por uma retração em relação ao preço médio recente. Um modelo preditivo estuda dados históricos do mercado e tenta descobrir as características que discriminam esses dois padrões.
O objetivo da modelagem preditiva é encontrar padrões que se repetem com frequência suficiente para serem lucrativos. Uma vez descoberto, o modelo estará atento para que o padrão volte a ocorrer. Com base em observações históricas, o modelo será capaz de prever se o mercado subirá em breve, cairá ou permanecerá o mesmo. Essas previsões podem ser traduzidas em decisões de compra / venda por meio da aplicação de limites às previsões do modelo.
Indicadores e metas.
Os modelos preditivos normalmente não funcionam com dados brutos do mercado. Em vez disso, os preços de mercado e outras séries, como o volume, são geralmente transformados em duas classes de variáveis chamadas indicadores e metas. Esses são os dados usados pelo modelo durante seu treinamento, teste e uso final em tempo real. É na definição dessas variáveis que o desenvolvedor exerce sua própria influência no sistema de negociação.
Indicadores são variáveis que parecem estritamente de trás para frente no tempo. Ao negociar em tempo real, como em qualquer barra, um indicador será computável, assumindo que temos dados de preço históricos suficientes para satisfazer a definição do indicador. Por exemplo, alguém pode definir um indicador chamado tendência como a variação percentual do preço de mercado do fechamento de uma barra cinco barras atrás para o fechamento dessa barra. Enquanto conhecermos esses dois preços, podemos calcular esse indicador de tendência. O TSSB pode calcular mais de cem tipos de indicadores que quantificam vários recursos do comportamento do mercado.
Os alvos são variáveis que parecem estritamente avançadas no tempo. (Na modelagem de regressão clássica, o alvo é freqüentemente chamado de variável dependente.) Os alvos revelam o comportamento futuro do mercado. Podemos calcular alvos para dados históricos desde que tenhamos um número suficiente de barras futuras para satisfazer a definição do alvo. Obviamente, porém, quando estamos realmente negociando o sistema, não podemos conhecer os alvos a menos que tenhamos uma bola de cristal fenomenal. Por exemplo, podemos definir um indicador chamado day_return como a variação percentual do mercado, da abertura do dia seguinte para a abertura do dia após a próxima. Se tivermos um registro histórico de preços, podemos calcular esse destino para cada barra, exceto as duas últimas no conjunto de dados. O TSSB pode calcular uma variedade de tipos de variáveis de destino.
Em resumo, a ideia fundamental por trás da modelagem preditiva é que os indicadores podem conter informações que podem ser usadas para prever alvos. A tarefa do modelo preditivo é encontrar e explorar qualquer informação desse tipo.
Obtenha o livro.
& # 8212; Por David Aronson
David Aronson é um pioneiro em aprendizado de máquina e desenvolvimento de sistemas de negociação não-linear e reforço / filtragem de sinais. Aronson é co-designer da TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos. Ele trabalha neste campo desde 1979 e é um técnico de Chartered Market certificado pela The Market Technicians Association desde 1992. Ele era professor adjunto de finanças e ensinava regularmente a alunos de MBA e de engenharia financeira um curso de pós-graduação em análise técnica, mineração de dados e análise preditiva. Seu livro lançado recentemente, Statistically Sound Machine Learning para Algorithmic Trading of Financial Instruments, é uma análise detalhada do desenvolvimento de sistemas de negociação baseados em modelos preditivos usando o TSSB.
Sobre o autor System Trader Success Contributor.
Autores contribuintes são participantes ativos nos mercados financeiros e totalmente envolvidos em análises técnicas ou quantitativas. Eles desejam compartilhar suas histórias, insights e descobertas no System Trader Success e esperam fazer de você um melhor operador de sistema. Entre em contato conosco se você quiser ser um autor colaborador e compartilhar sua mensagem com o mundo.
Posts Relacionados.
Guia para iniciantes de negociação quantitativa.
Estudo de caso: Uma técnica simples do Market Internals pode melhorar os resultados da estratégia de negociação?
Você está perdendo quando deveria estar ganhando? Aqui está algo que você pode estar perdendo.
Talvez eu não seja o consumidor alvo, mas não tenho tempo para ler o livro ou o manual. Como este software se compara a outras opções gratuitas / baratas como o TradeStation? Não consegui encontrar uma tabela de comparação ou uma declaração clara das vantagens.
Olá Stan. É muito diferente da TradeStation. Na verdade, eles servem objetivos totalmente diferentes. No geral, o software TSSB não é uma plataforma de negociação, um programa de gráficos ou um ambiente de desenvolvimento em que você, como programador, escreve código. Em vez disso, o TSSB é uma ferramenta independente para pesquisar sistemas de negociação baseados em modelos preditivos estatisticamente sólidos via aprendizado de máquina. É mais como o Adaptrade Builder do que a TradeStation. Em suma, é uma ferramenta autônoma.
Os autores redescobriram a roda. Estes programas estão disponíveis por um longo tempo. O que eles descreveram como modelagem preditiva é um processo chamado snooping de dados que parece ser preditivo, mas é essencialmente um viés estatístico de usar os dados muitas vezes. Provavelmente, essa é a razão pela qual eles oferecem esse programa gratuitamente e querem cobrar altas taxas de consulta, porque se o programa pudesse ganhar dinheiro eles não o doariam. No geral, este artigo / promoção foi decepcionante e a qualidade deste website diminuiu.
Desculpe, você sente que a qualidade do site não está de acordo com seus padrões. Eu, pelo menos, fiquei feliz em expor meus leitores ao conceito de modelagem preditiva como uma forma de descobrir limites de mercado e / ou construir modelos comerciais completos. Quanto ao software, estou satisfeito que existe uma ferramenta de pesquisa livre. Claramente, muito trabalho foi feito e o manual do usuário é muito extenso. Eu gostaria de ter algo assim anos atrás. Eu não tenho certeza de como uma ferramenta gratuita, que pode ajudar no desenvolvimento de sistemas de negociação, pode ser vista como "descartada". Para sua informação, não ganho dinheiro com o livro ou software. Talvez se você tiver uma crítica específica sobre o software, o autor poderia responder diretamente.
Desculpe, mas a qualidade deste site começou a mostrar sinais de deterioração após o artigo sobre o melhor indicador do mercado de ações & # 8221; mas também antes disso.
Eu apontei para uma crítica específica do software que parece que você perdeu e o autor evitou falar sobre isso e é viés de bisbilhotagem de dados.
O que eles descreveram como modelagem preditiva é um processo chamado snooping de dados que parece ser preditivo, mas é essencialmente um viés estatístico de usar os dados muitas vezes.
Fico feliz que você leve as críticas a sério. Acho que seu blog foi muito melhor quando você escreveu os artigos e não teve nenhum colaborador.
Obrigado por escrever o Bob. Eu tenho contribuintes escrever material para fornecer perspectivas diferentes como eu desejo STS para além do meu conhecimento e experiência pessoal.
O post de Bob revela que ele não olhou para o TSSB ou para o livro. Ele percebe que a mineração de dados incorre em um viés de olhares repetidos para os dados. O fato de que nenhum outro software do qual estou ciente lida com esse problema foi o principal motivo para a criação do TSSB. Eu incluo métodos estatisticamente rigorosos para gerar resultados imparciais e testes de significância estatística que são robustos ao viés da mineração de dados. O último, o teste de Permutação de Monte Carlo foi proposto pela primeira vez por meu co-autor Dr. Tim Masters, que possui um doutorado em estatística e computação numérica. Assim, o ponto inteiro do TSSB é lidar com o problema que Bob corretamente aponta.
Os dois artigos que publiquei não mencionam esse problema, mas ele recebe tratamento extensivo em nosso livro e software.
Os testes de Monte Carlo não podem lidar com o viés de mineração de dados porque eles não podem rejeitar sistemas perfeitamente ajustados. Nem você nem os mestres estão cientes disso, mas nós fazemos porque realmente negociamos.
& # 8220; A principal limitação da análise de Monte Carlo é que, se os seus resultados iniciais forem ajustados à curva, seus resultados serão um absurdo. A análise de Monte Carlo é boa apenas quando é aplicada a um sistema de negociação de som e não a um sistema de sobre-montagem. & # 8221;
Também me surpreende que você misture a mineração de dados e o viés de snooping de dados. Estas são duas coisas diferentes. Seu programa funciona impondo realmente o viés de snooping de dados e não há testes estatísticos conhecidos além do teste de SPA para lidar com isso. Tudo o que você pode mostrar uma regra superior existe no universo de regras com as quais você lida, mas é impossível saber qual delas é. Se você souber de um teste que pode determinar se uma regra comercial específica funcionará no futuro e não é apenas um resultado da mineração de dados, informe-nos para que possamos entrar em contato com Estocolmo e indicá-lo para o Prêmio Nobel.
Você pode me dizer qual é o seu entendimento de como o TSSB faz uso do método Monte Carlo? De sua resposta, parece que você está pensando em outra aplicação de Monte Carlo que não utilizamos. Fico feliz em responder mais, mas vamos primeiro ver se estamos na mesma página.
Estou familiarizado com o teste de Hansen do SPA. Na verdade, eu discuti isso em meu primeiro livro Análise Técnica Baseada em Evidência (Wiley 2006) páginas 329-330)
Olá novamente Bob (desculpe Joe) você pode me dizer o que você entende ser a distinção entre viés de mineração de dados e viés de snooping de dados.
"Você pode me dizer qual é o seu entendimento de como o TSSB faz uso do método de Monte Carlo.? # 8221;
Estamos familiarizados com o trabalho do Dr. Masters e conscientes de que ele faz várias suposições significativas e infundadas, como por exemplo que todos os pares aleatórios de retornos do sistema com retornos brutos diários são igualmente prováveis, algo que equivale a estatísticas esotéricas neste caso particular. Então seus métodos se aplicam apenas a sistemas que são investidos o tempo todo, considerando os retornos brutos diários em um MC ou bootstrap não faz sentido. Como alguém comentou na Amazon sobre o seu livro, estas são acrobáticas estatísticas, porque não há um arcabouço teórico sólido que o sustente.
"Olá de novo, Bob (desculpe por Joe) pode me dizer o que você entende ser a distinção entre viés de mineração de dados e viés de bisbilhotagem de dados.? # 8221;
Isso é inversão do fardo. Você afirma ser capaz de lidar com isso, então, por favor, nos ajude a esclarecer a distinção. Obviamente, você usa os dois termos intercambiáveis, o que não é correto.
Para concluir, se seus métodos estatísticos funcionassem, faria sentido mantê-los em segredo. Caso contrário, revelá-los ao público e distribuir o software gratuitamente não é algo que alguém com uma vantagem faria.
Na verdade, a maioria das pessoas no campo de aprendizado de máquina e mineração de dados usa os termos de maneira intercambiável. Robert Hansen faz em seu artigo mais recente sobre SPA (2010). Recentemente, presidi a pista de aprendizado de máquina de uma conferência para traders em Chicago patrocinada pela Terrapin e, além disso, os palestrantes os usavam de forma intercambiável. Embora eu tenha feito uma distinção entre mineração de dados e espionagem de dados em meu livro de 2006, o último relacionado à obtenção de hipóteses de outros trabalhos de pesquisa, descobri que outros não faziam essa distinção. Você parece pensar que é crucial. Eu convido para explicar a diferença se você se importa se não, então não.
Você fez suposições errôneas sobre o tipo de testes de Permutação de Monte Carlo usados no TSSB. Você parece pensar que estamos permutando a ordem dos negócios produzidos por um sistema de negociação mais adequado. Além disso, suas suposições sobre o trabalho atual do Dr. Masters também estão erradas. Seu artigo anterior, publicado no site do Hood River, não tem nada a ver com o teste MCP mais avançado usado no TSSB. Esta última versão não foi colocada em domínio público.
A versão do teste MCP discutida em meu livro de 2006, Análise Técnica Baseada em Evidência, teste de Hansen e teste de realidade branca, são todos limitados da mesma forma. Eles não trabalham para aprendizado de máquina, o que envolve uma busca guiada pelo espaço da hipótese. Esses testes funcionam apenas se a pesquisa for exaustiva ou aleatória. É precisamente por esta razão que o teste MCP incorporado no TSSB foi concebido para ser válido sob a condição de uma pesquisa guiada (machine learning).
Seus posts anteriores sugerem que suas opiniões estão entrincheiradas e qualquer nova tentativa de corrigir seus erros será infrutífera. Eu vou deixar você a última palavra que parece precisar disso. Não tenho dúvidas de que também será preenchido com imprecisões e insultos. Têm-no.
Abaixo está a resposta do Dr. Timothy Master. Ele não estará respondendo mais.
Bob está perdendo todo o ponto dos testes estatísticos, como o MCPT no TSSB. Ele está certo ao afirmar que o ajuste de curva, o ruído de aprendizagem em vez de padrões autênticos, etc., resultam em um viés otimista nos números de desempenho. Mas o que ele não parece entender é que a principal força motriz por trás do design do TSSB é derrotar esse problema exato! A versão do MCPT documentada nos vários artigos escritos por mim e disponíveis on-line é um projeto inicial, excelente em alguns aplicativos definidos de forma limitada, mas sem valor em um ambiente mais amplo. (O artigo afirma claramente isso e estabelece algumas regras básicas para quando é e não é aplicável.) Esse algoritmo foi posteriormente refinado para ser muito mais robusto, e é essa versão refinada que é incorporada ao TSSB.
De um modo geral, aqui está como um teste MCPT adequadamente projetado funciona. Estipular que o processo de desenvolvimento de um sistema de negociação baseado em modelos (modelos de treinamento e comitês, definição de limites, seleção dos melhores desempenhos, etc) produz números de desempenho otimistas. Se os modelos são excessivamente poderosos e sobrecarregam os dados, esse viés pode ser extremo. Assim, para avaliar e explicar isso, deliberadamente destruímos qualquer poder de previsão nos dados. Isso pode ser feito por meio da permutação aleatória de mudanças de mercado, permutação de metas em relação a indicadores, permutação de movimentos de mercado previstos em relação a limites otimizados ou de qualquer outro número de maneiras, cada uma com seus benefícios e limitações. Se isso for feito um grande número de vezes (centenas ou milhares), poderemos avaliar até que ponto o processo de desenvolvimento do sistema inflaciona o desempenho. Se, por exemplo, constatarmos que os resultados de desempenho obtidos a partir dos dados reais excedem em muito o produzido a partir dos dados permutados, podemos ter certeza de que nosso sistema desenvolvido tem poder real acima e além do produzido pelo viés inerente ao ciclo de desenvolvimento.
Estas questões são discutidas em maior detalhe no livro Statistically Sound Machine Learning. As páginas 161-178 descrevem um MCPT específico útil para triagem rápida e suja de indicadores de poder preditivo. Página 206 descreve outro MCPT que pode ser usado para testar o poder preditivo verdadeiro (que acima e além de qualquer viés de mineração de dados) de um modelo individual. As páginas 299-312 descrevem um MCPT extremamente poderoso que remove completamente os efeitos do viés de mineração de dados em toda a cadeia de tomada de decisão (modelos, comitês, oráculos) para avaliar as verdadeiras capacidades do sistema. De fato, as páginas 302-305 descrevem como ele pode explicar a interação entre o viés de mercado de longo prazo e os sistemas de negociação que são desequilibrados em suas posições de longo prazo. Finalmente, a seção & # 8220; Data Snooping & # 8230; Amigo ou Inimigo & # 8221; Na página 444 fornece uma discussão geral dos problemas relevantes.
Eu faço o ponto várias vezes no livro que muitos desses algoritmos são desenvolvimentos recentes e falta justificativa teórica rigorosa. Por outro lado, eu tenho um PhD em estatística matemática. Eu escrevi cinco livros sobre o assunto, todos os quais receberam elogios na imprensa profissional (e, geralmente, críticas muito positivas no site da Amazon, muito menos confiável). E eu tenho trabalhado continuamente como consultor profissional para a comunidade de negociação de mercado desde 1995. Eu direi que eu uso os algoritmos no TSSB em meu próprio trabalho e tenho total confiança em sua veracidade. Eu não posso garantir que eles estejam completamente corretos em todas as circunstâncias possíveis, mas minha experiência tem sido que eles são dignos de confiança em todas as aplicações em que eu os apliquei.
Por fim, deixe-me dizer que, se alguém tiver uma crítica técnica específica a algum desses algoritmos, ficarei feliz em ouvir essa crítica e, se achar que ela é válida, responderei de alguma forma. Os críticos podem, de fato, me ajudar a melhorar o programa. Estou sempre ansioso por críticas construtivas. Por outro lado, não vou responder a generalidades vagas como: "Ele não sabe do que está falando." Isto é especialmente verdade se a crítica vier de alguém que obviamente nem sequer estudou o livro ou programa e, portanto, está apenas especulando. Discussões desta natureza não são do melhor interesse de ninguém.
"Por exemplo, se observarmos que os resultados de desempenho obtidos a partir dos dados reais excedem em muito os dados produzidos a partir dos dados permutados, podemos ter certeza de que nosso sistema desenvolvido possui um verdadeiro poder acima e além do produzido pelo viés inerente o ciclo de desenvolvimento. & # 8221;
Mais uma vez, vocês dois estão tentando me acusar de críticas simples, mas a verdade é que tentei explicar-lhe algumas vezes que um sistema perfeitamente ajustado sempre aparecerá bem com base em seus testes. Então você basicamente não está conseguindo nada. Este é um problema fundamental com a simulação de MC e não importa como alguém o modifique, ele estará lá.
& # 8220; nossos posts anteriores sugerem que suas opiniões estão entrincheiradas e qualquer nova tentativa de corrigir seus erros será infrutífera. & # 8221;
Eu ia dizer isso sobre seus posts. A simulação de MC pode excluir sistemas aleatórios e ruins, mas não descartará sistemas bem ajustados, os tipos produzidos por seu software ou outro software de aprendizado de máquina, e parece que você está confiando em um método ou modificação que não funciona.
Se você souber de um método que garantirá que um sistema produzido por seu software funcionará em dados invisíveis no modo de encaminhamento, informe-nos. Você não porque ninguém faz. Você reduz o viés de mineração de dados inerente ao sistema defeituoso e retém os sistemas mais adequados, porque o MC, não importa como seja modificado, não pode rejeitá-los.
Eu tenho sido claro, então por favor, não me acuse de ser vago ou apenas criticar seu trabalho. Você basicamente não tem nada e você sabe disso.
Interessante discussão - especialmente porque parece que Bob está tentando expor outra fraude, da qual o panorama financeiro está cheio. Infelizmente, enquanto eu não sou bobo, eu não tenho um Ph. D. em matemática ou estatística. Isso deixa os pontos específicos de debate um pouco acima da minha cabeça. Eu estaria interessado em algum esclarecimento sobre esses pontos específicos se os comentaristas sentirem que vale a pena o seu tempo para fazê-lo.
Discussão muito interessante! É uma pena que tenha se tornado tão pessoal. Eu acho que datasnooping é um dos maiores problemas com backtesting e deve ser discutido mais.
Um argumento a favor de David é que Jaffray Woodriff (um dos gerentes de hedge mais bem-sucedidos) parece fazer coisas parecidas: veja p.152 do Assistente do Mercado de Hedge da Schwager. Aqui Woodriff explica que ele olha para a diferença nos resultados entre o modelo nos dados reais e nos dados com perturbações aleatórias. Isso parece muito semelhante à sua abordagem, não é David?
Também há um artigo recente interessante no SSRN (id = 2308659), que parece a favor do argumento de Bob.
[& # 8230;] Sistemas de Negociacao Baseados no Modelo Preditivo, Parte 1 | Operador do sistema & # 8230; [& # 8230;]
Bob, o que você propõe como uma alternativa ao método MC?
Como podemos melhorar os processos propostos neste texto?
Embora eu não tenha um doutoramento em estatística, estudei este tópico bastante profundamente. Eu também não li o livro TSSB de Aronson e Master (ainda), mas li o que o Masters havia publicado anteriormente sobre o uso do MCP para avaliar os sistemas de negociação, bem como o EBTA da Aronson.
Eu li a postagem no blog do fxhackers pelo link que Bob postou no comentário. Aronson está absolutamente certo de que Bob não parece entender como os testes MCP da Master realmente funcionam. Esse post do blog Bob sugeriu falar genericamente sobre os métodos de Monte Carlo. Infelizmente, o significado do termo Monte Carlo está sobrecarregado. Por wikipedia: Os métodos de Monte Carlo são uma ampla classe de algoritmos computacionais que se baseiam em amostragens aleatórias repetidas para obter resultados numéricos. Isso é conhecido nas estatísticas como reamostragem. Existem muitos métodos de reamostragem, incluindo bootstrap, jacknife e permutação.
O método discutido em fxhackers é na verdade um bootstrap simples usando um conjunto de resultados de negociação de um back-test. O termo Monte Carlo, neste caso, significa simplesmente reordenar aleatoriamente os resultados do comércio individual. Este método é o uso mais ingênuo de reamostragem aplicado à avaliação do sistema de negociação existente. Então, se é isso que Bob acredita que os testes de MCP da Master estão fazendo, eu recebo suas críticas.
Mas os testes MCP da Master são muito diferentes de uma aplicação ingênua de reordenamento aleatório aplicada a resultados comerciais. É uma consequência infeliz do blog e do formato dos comentários que as discussões costumam se rebaixar à discussão sobre generalidades, especialmente quando alguém que discute claramente não se familiarizou com o conteúdo sobre o qual ele argumenta. Os testes de MCP são poderosos quando se encaixam no aplicativo.
Com isso dito, eu acredito que o princípio do MCP é muito limitado em sua aplicabilidade a um sistema de comércio real (pelo menos o que eu li até agora. Minha crítica é que (como Masters prontamente admite) o sistema de negociação deve se encaixar Especificamente, eu ainda não vi uma aplicação de reamostragem para um sistema de negociação no contexto de um portfólio realista (múltiplos instrumentos, limites de margem, limites de tamanho de posição, etc.). Eu ficaria muito felizmente provado errado sobre este comentário. Talvez o livro TSSB fornece melhorias para o trabalho anterior e, como eu disse, eu preciso ler isso.
Posts populares.
Atualização de RSI de 2 períodos do Connors para 2013.
Este indicador simples faz dinheiro de novo e de novo.
O portfólio Ivy.
Melhorando a estratégia do intervalo simples, parte 1.
Copyright © 2011-2018 pela Capital Evolution LLC. - projetado por prosperar temas | Alimentado por WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Após o login, você pode fechá-lo e retornar a esta página.
Tssb (síntese e reforço do sistema de negociação)
Puxe as solicitações 0.
Junte-se ao GitHub hoje.
O GitHub é o lar de mais de 20 milhões de desenvolvedores trabalhando juntos para hospedar e revisar código, gerenciar projetos e construir software juntos.
Clone com HTTPS.
Use Git ou check-out com o SVN usando o URL da web.
Esta é uma estrutura de automação para SSS (Trading System Synthesis and Boosting - TSSB). O TSSB é um bom pacote disponível na Hood River Research para o desenvolvimento de sistemas de negociação baseados em modelos preditivos, mas agora ele é apenas GUI e a saída está em arquivos de log detalhados. O framework tssbutil usa pywinauto para permitir que um usuário execute um script TSSB por meio de uma chamada de função Python. Ele também fornece um analisador que converte a saída do TSSB em um modelo de dados hierárquico intuitivo (consulte a documentação em tssbrun. py).
O tssbutil depende, obviamente, do TSSB. Siga o link acima para a página de download e, em seguida, coloque o link tssb64.exe em seu PATH em algum lugar.
O tssbutil também depende do Python e do pacote pywinauto. Como o TSSB é um pacote somente para Windows, supõe-se que a instalação e o uso ocorrerão em uma plataforma Windows (embora os analisadores sejam multi-plataforma e funcionem em qualquer ambiente).
O tssbutil é conhecido por trabalhar com o Python 2.7 de 32 bits - provavelmente também funciona com o Python 3.X, mas isso não foi testado. Pywinauto padrão é específico de 32 bits neste momento - há vários garfos que pretendem fazê-lo funcionar com o Python de 64 bits, mas não consegui fazer nenhum desses trabalhos e Python + Python + de 32 bits funcionou bem no meu Windows de 64 bits 7 instalação e executável TSSB de 64 bits.
A página de download do Python está aqui. Eu recomendo o instalador de Windows de 32.x. Instale em um diretório de sua escolha e adicione o diretório Python ao seu PATH por conveniência.
Então, baixe o pacote pywinauto daqui. As instruções de instalação estão aqui.
Em seguida, você precisa clonar este repositório. Se você é um usuário cygwin como eu, você pode instalar e usar o git do shell cygwin:
Como alternativa, há uma versão do git do Windows disponível aqui.
Observe que ao escolher um diretório para clonar, é melhor escolher um caminho sem '.' nela se você quiser usar o exemplo como-é (ex: C: \ users \ john. doe \ workspace não funcionaria). Isso se deve a uma limitação do TSSB e seu comando READ MARKET HISTORIES.
Depois de clonar com êxito o repositório tssbutil, execute o seguinte.
Esta seção contém uma breve visão geral dos componentes do tssbutil. Todos os módulos, classes e métodos possuem documentação incorporada no estilo docstring para mais detalhes.
Este módulo contém a função run_tssb () que pode ser chamada para invocar o TSSB para um determinado script.
Este módulo contém a classe AuditParser que é usada para analisar um arquivo de saída `AUDIT. LOG 'do TSSB.
Este módulo contém o modelo de dados usado para representar a saída de uma execução do TSSB. Uma instância do TSSBRun é criada pelo AuditParser quando analisa um arquivo AUDIT. LOG. Consulte a documentação docstring para detalhes sobre o modelo.
Este módulo contém a classe VarParser que pode ser usada para analisar um arquivo de definição de variável TSSB.
Este módulo contém a classe DbParser que pode ser usada para analisar um arquivo de banco de dados TSSB.
Este módulo contém o método sed_lite (). Esta é uma função utilitária que pode ser usada para facilitar a criação de arquivos de script parametrizados (veja o arquivo outer_wf. py nos exemplos / para um exemplo de instanciação de modelos).
Há um exemplo que usa os principais componentes do tssbutil para implementar um loop externo "walk-forward". O exemplo é totalmente auto-contido dentro do tssbutil, então rodar é tão simples quanto:
Sem argumentos, isso exibirá a tela de uso:
Antes de executarmos o exemplo, aqui está mais detalhes sobre o que realmente acontecerá. O modelo está prevendo retorno no dia seguinte para a IBM. O stage1.txt é o loop walk-forward "interno" - cria três modelos de regressão linear de 2 entradas usando a seleção gradual (em um grupo de exclusão para evitar o uso de entrada redundante) e avança 10 anos para um único ano (a validação ano).
Em seguida, a saída de stage1.txt é examinada para determinar quais modelos tiveram melhor desempenho no período fora da amostra (ou seja, o ano de validação). Os dois melhores modelos de 2 entradas são inseridos no stage2.txt, o loop externo "walk-forward", onde eles são executados independentemente, assim como entradas em dois COMMITTEEs diferentes. Em seguida, o stage2.txt treina um período de 11 anos (o conjunto de treinamento original mais o ano de validação) e testa um período de avanço (o ano de teste). O desempenho no ano de teste deve ser uma estimativa imparcial do desempenho futuro deste modelo.
Este processo é repetido uma vez por ano entre & lt; início do ano & gt; e & lt; final do ano & gt; especificado na linha de comando. O exemplo gera um arquivo. csv perf. csv com taxas de melhoria de fator de lucro longo para os períodos fora de amostra de cada modelo e comitê de stage2.txt. Observe que, por convenção, os anos especificados na linha de comando e relatados em perf. csv são o último ano do conjunto de treinamento. Assim, para o ano de 2002, o ano de validação é 2003 e o ano de teste é 2004 - isto significa que o desempenho relatado em perf. csv para 2002 é o resultado fora da amostra para 2004.
Aqui está a saída de um exemplo executado:
E o conteúdo do perf. csv:
Note que há provavelmente muito mais medições do que apenas a ração de melhoria do fator de lucro longo que é desejável a partir do loop walk-forward externo. Estes são facilmente obtidos a partir do modelo de dados produzido pelo analisador para a execução do stage2.txt. Isso é deixado como um exercício para outros com base em seu caso de uso específico.
Ao criar o tssbutil, o comportamento do pywinauto foi considerado altamente não-determinístico, especialmente em execuções computacionais intensas de TSSB e também em execuções TSSB muito curtas. Eu acredito que o atual run_tssb () seja geralmente utilizável, mas sem dúvida outros problemas surgirão. O código depende de certos atrasos arbitrários e várias verificações diferentes que, de outra forma, seriam redundantes.
Finalmente, observe que é garantido que há muito a saída AUDIT. LOG que o AuditParser não suporta. Actualmente trabalha para formação standard / walk-forward com modelos e comités, assim como uma corrida FIND GROUPS. O TSSB tem muitas, muitas outras opções - o futuro suporte de análise para estes será adicionado conforme necessário.
O tssbutil inclui um conjunto de testes de unidade que devem ser usados para testar a regressão de quaisquer alterações feitas na estrutura. Todos os testes podem ser executados a partir do diretório repo de nível superior usando o script test. bat incluído.
Você verá muitas janelas indo e vindo dos testes run_tssb () - quando isso terminar, procure Ok para ver que todos os testes foram aprovados.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Status de Segurança Ajuda.
Você não pode realizar essa ação no momento.
Você entrou com outra guia ou janela. Recarregue para atualizar sua sessão. Você saiu de outra guia ou janela. Recarregue para atualizar sua sessão.
delim-sami. ru.
Tssb (síntese e reforço do sistema de negociação)
Tssb (síntese e reforço do sistema de negociação)
Note que há provavelmente mais medições do que apenas o longo. A Sydtem revela o comportamento futuro do mercado. Speedtrader é uma das mais importantes ferramentas de negociação que me dá uma vantagem extra. Desde então, ele trabalhou continuamente como consultor independente para o governo e a indústria. É na definição dessas variáveis que o desenvolvedor exerce sua própria influência impulsionando o sistema de negociação. Como o alvo olha para frente dez dias e avançamos apenas um dia, deixando uma sobreposição de nove dias, o objetivo para esse caso de teste será semelhante ao objetivo do caso anterior. Estes são todos os números inventados.
Baixe o trecho agora. Para mais informações, você pode comprar o livro aqui. Clique aqui para se inscrever em nosso boletim informativo. Seu endereço de e-mail não será publicado. Você corre o risco de não ser um dos primeiros a adotar? À medida que o dilúvio de dados continua crescendo a um ritmo exponencial, os gerentes de fundos mais avançados estão investindo pesadamente no potencial gerador de dados não convencionais. A ClipperData é um dos fornecedores inovadores na vanguarda dessa revolução de dados.
Nosso Gerente de Conferência, Jesse Collin, perguntou a ele sobre sua empresa Neeve Research e onde ele vê a indústria nos próximos anos. Download: David Aronson, do Hood River Pesquisa sobre aprendizado de máquina estatisticamente confiável para negociação algorítmica. Big DataHFTReports. Sobre o autor: Diretor de Marketing para os negócios da Terrapinn em Nova York.
Interessado em uma variedade de tópicos, de mídia social e marketing, a lifesciences e finanças, e tudo mais. Vou postar sobre coisas que acho interessantes - deixe-me saber o que você pensa! Mais deste autor. Se você gostou deste artigo, inscreva-se agora para receber mais como ele. Deixe uma resposta Cancelar resposta. Assine a nossa newsletter. Melhore seus modelos com dados de commodities de energia excepcionalmente precisos e não convencionais. Compartilhe isso: Twitter LinkedIn Google Email Imprimir.
Big DataVídeos em destaqueGeneral InterestTradingUncategorized. LeoSat: um novo paradigma de satélite. Big DataTssb (sistema de negociação de síntese e impulsionar) em appThe Trading Show ChicagoUncategorized. Compartilhe isso: Twitter LinkedIn Google Email Imprimir Total Trading App. Enviar para o endereço de email. Post não foi enviado - verifique seus endereços de e-mail! Desculpe, seu blog não pode compartilhar posts por email.
LMS delim-sami. ru Rev12 - O que há de novo para SysDM e System Synthesis?
O TSSB (Trading System Synthesis and Boosting) descobre e descobre o sucesso do System Trader e espera torná-lo um melhor operador de sistema.
Faça o nosso teste interativo e obtenha uma base sólida para negociação.
Veterano da USAF faz 2 anos de opções de negociação [curso livre].
Pioneira em aprendizado de máquina & amp; desenvolvimento de sistema de negociação não-linear e reforço de sinal / filtragem desde 1979.
Iniciou o Raden Research Group em 1982 e supervisionou o desenvolvimento do PRISM (Pattern Recognition Information Synthesis Modeling).
Técnico Chartered Market certificado pela The Market Technicians Association desde 1992.
Trader proprietário de ações para Spear, Leeds e Kellogg 1997 - 2002.
Professor adjunto de finanças ministrando curso de pós-graduação em análise técnica, data mining e análise preditiva para estudantes de MBA e engenharia financeira de 2002 a 2011.
Autor de "Análise Técnica Baseada em Evidências", publicado por John Wiley & amp; Sons 2006. Primeiro livro popular para lidar com viés de mineração de dados e Método de Permutação de Monte Carlo para gerar p-valores livres de viés.
Co-designer do TSSB (Trading System Synthesis e Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos.
Autor & amp; editor de Aprendizado Estatístico de Máquina Sonora para o Algorithmic Trading of Financial Instruments: Desenvolvendo Sistemas de Negociação Baseada em Modelo Preditivo Usando o TSSB.
Proposta de um método para purificação de indicadores e Pure VIX.
Inovou o conceito de aumento de sinal: usando o aprendizado de máquina para melhorar o desempenho das estratégias existentes.
Estabilidade da Correlação da Janela Móvel e seu Uso na Avaliação de Indicadores, Journal of the Market Technicians Association, primavera de 1992 pp. 21-28 Filtros de Sinal de Reconhecimento Padrão, Associação de Técnicos do Mercado, Primavera de 1991, pp.42-51 O Método de Células de Indicador Avaliação, A Enciclopédia de Indicadores Técnicos de Mercado, capítulo 15, de Colby e Meyers, Dow Jones-Irwin, 1988 Inteligência Artificial / Reconhecimento de Padrões Aplicados à Previsão de Tendências do Mercado Financeiro, Journal of the Market Technicians Association, maio de 1985 pp. 91-132 Artificial Inteligência & amp; Reconhecimento de Padrões para Auxiliar o Analista de Mercado, Análise Financeira e de Software de Investimento, tutorial em três partes, Verão, Outono e Edição de inverno de 1984. Cibernética, A Abordagem de Negociação para os anos 80, Commodities Magazine, janeiro de 1980. Análise Técnica Baseada em Evidências: Aplicando o Método Científico e a Inferência Estatística em Sinais de Negociação. John Wiley & amp; Sons, novembro de 2006 Purified Sentiment Indicators para o mercado de ações publicado no Journal of Technical Analysis, 2010.
Os interesses externos de David incluem esqui, caminhadas, tricô e trompete de jazz.
Dr. Timothy Masters tem um PhD em estatística, com especializações em estatística aplicada e computação numérica. Ele é o autor de quatro livros altamente conceituados sobre inteligência artificial ("Practical Neural Network Recipes em C ++", "Signal and Image Processing with Neural Networks", "Advanced Algorithms for Neural Networks", "Neural, Novel e Hybrid Algorithms for Time Series Prediction").
O Dr. Masters trabalha na área de negociação automatizada de instrumentos financeiros desde 1995. Antes disso, desenvolveu software para aplicações de engenharia biomédica e sensoriamento remoto. Sua pesquisa atual se concentra em algoritmos para controlar o viés de mineração de dados, a fim de avaliar de forma justa o potencial de desempenho dos sistemas automatizados de negociação no mercado. Ele também está desenvolvendo ferramentas gráficas e analíticas para ajudar os operadores financeiros a entender melhor a dinâmica do mercado.
Seus interesses externos incluem música (ele toca teclado, violino e baixo em várias bandas) e as artes marciais (ele é um faixa preta de segundo grau estudando Washin-Ryu Karate com o Mestre Hidy Ochiai).
Livro: Estatisticamente Aprendizado de Máquina de Som para Negociação Algorítmica de Instrumentos Financeiros.
Este livro acabou de ser lançado e parece interessante & # 8230;
& # 8220; Este livro serve a dois propósitos. Primeiro, ele ensina a importância do uso de métodos estatísticos sofisticados, mas acessíveis, para avaliar um sistema de negociação antes que ele seja usado no mundo real. A fim de acomodar os leitores com conhecimento matemático limitado, essas técnicas são ilustradas com exemplos passo-a-passo usando dados reais de mercado, e todos os exemplos são explicados em linguagem simples. & # 8221;
Segundo, este livro mostra como o programa gratuito TSSB (Trading System Synthesis & Boosting) pode ser usado para desenvolver e testar sistemas de negociação. O aprendizado de máquina e os algoritmos estatísticos disponíveis no TSSB vão muito além dos disponíveis em outros softwares de desenvolvimento disponíveis no mercado. O uso inteligente dessas técnicas de ponta melhora muito a probabilidade de obter um sistema de negociação cujos resultados de backtest impressionantes continuam quando o sistema é colocado em uso em uma conta de negociação. & # 8221;
Sobre o autor Jeff Swanson.
Jeff é o fundador do System Trader Success - um site e uma missão para capacitar o profissional de varejo com o conhecimento e as ferramentas adequadas para se tornar um operador lucrativo no mundo da negociação quantitativa / automatizada.
Posts Relacionados.
Top cinco artigos mais populares de 2015.
Strategy Trading Primer.
Artigos mais populares para 2014.
Este livro soa como um esquema de marketing para um programa que vem com uma taxa de suporte de US $ 100 / hora, por isso não é de graça. É uma avenida complicada de projetar um sistema de negociação que confunde ingenuamente estatísticas descritivas para estatísticas preditivas. Os autores pretendem vender seus serviços de suporte a um preço alto em uma área que é um conhecimento muito antigo, com os fundos de hedge explorando todas as oportunidades possíveis.
Joe: Existem alguns erros no seu comentário.
Nossas taxas de suporte não são 100 por hora, mas variam de 150 a até horas, dependendo do tipo de suporte.
O livro é um tutorial passo-a-passo para aqueles que desejam se beneficiar do TSSB (Trading System Synthesis e Boosting) sem precisar de suporte de consultoria. O TSSB é gratuito. Na verdade, desde que disponibilizamos o TSSB em janeiro, vendemos um total de uma hora de suporte. O fato de publicarmos um tutorial passo-a-passo completo e detalhado é a evidência de que o suporte caro não é nosso objetivo. Na verdade, definimos as taxas em nossas taxas de consultoria padrão.
O livro está sendo vendido para ajudar o Hood River a recuperar seu investimento no desenvolvimento do TSSB. Se você chama isso de um esquema de marketing, então que assim seja.
Quanto ao seu ponto de vista de que o conhecimento que oferecemos é antigo, algumas de suas características (ARMA, PCA, GRNN, etc.) são conhecidas. Nós incorporamos o melhor que está lá fora. Mas outras características modelos OPstring, modelos Split Linear, o Purify Transform, Oracles (conjuntos inteligentes), redução dimensional inteligente, só para citar alguns são novos e não encontrados em outro lugar a qualquer preço, e muito menos livre. O que também é novo é a capacidade de testar a solidez estatística de um sistema de negociação baseado em modelos preditivos, um conjunto de modelos ou até mesmo um portfólio de sistemas de negociação desenvolvidos via aprendizado de máquina. O teste, Monte Carlo Permutation, foi proposto pelo meu co-autor Dr. Timothy Masters. Se você estiver ciente de qualquer outro software (gratuito ou não) que permita o cálculo de um valor p que seja robusto para os efeitos do viés de mineração de dados, por favor, poste um novo comentário.
Quanto ao seu ponto de vista, os autores não entendem que a diferença entre estatísticas descritivas e preditivas é completamente errônea. Se você tivesse lido o livro, perceberia o quão ridículo é esse comentário. Os sistemas de negociação desenvolvidos com o TSSB são explicitamente baseados na modelagem preditiva, em vez de regras propostas humanamente. Claro que oferece uma gama completa de estatísticas descritivas. Mas, mesmo nessa área, o TSSB oferece coisas totalmente novas, como histogramas baseados em lógica de limiar e gráficos de densidade marginal.
O livro é destinado a usuários que desejam dominar o TSSB sem suporte ou com suporte mínimo. É um tutorial passo a passo para usar todos os recursos do software que são numerosos e, até onde sabemos, não existem em nenhum outro pacote, a qualquer preço.
O que os desenvolvedores de sistemas precisam mais do que qualquer outra coisa é uma estimativa imparcial do desempenho fora do modelo do sistema e uma probabilidade de que esse desempenho tenha sido alcançado por sorte. Desenvolvemos o TSSB ao longo de um período de sete anos a um custo considerável para o nosso próprio trabalho de consultoria, porque não conseguimos encontrar um produto a qualquer preço que faça isso.
O livro não é de graça. Custou US $ 130, embora o TSSB venha com um manual de usuário gratuito de 200 páginas. Minha sugestão é comprar o livro, lê-lo e, se você sentir que foi roubado, envie-o de volta para receber um reembolso. Mas devo avisá-lo que o TSSB é uma plataforma abrangente e complicada, destinada apenas aos desenvolvedores mais sofisticados do sistema comercial. Não espere dominá-lo em algumas semanas. No entanto, você será capaz de desenvolver um sistema de negociação autônomo e um filtro de sinal do sistema de negociação até o final do segundo capítulo.
Obrigado por seus comentários.
David R. Aronson.
Posts populares.
Atualização de RSI de 2 períodos do Connors para 2013.
Este indicador simples faz dinheiro de novo e de novo.
O portfólio Ivy.
Melhorando a estratégia do intervalo simples, parte 1.
Copyright © 2011-2018 pela Capital Evolution LLC. - projetado por prosperar temas | Alimentado por WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Após o login, você pode fechá-lo e retornar a esta página.
Sistemas de Negociação Baseada no Modelo Preditivo, Parte 1.
Negociar instrumentos financeiros de maneira objetiva e sistemática tem inúmeras vantagens em relação às abordagens subjetivas:
Sistemas de negociação automatizados projetados inteligentemente podem e frequentemente superam o desempenho de negociações orientadas para o ser humano devido a vários vieses e emocionalismos cognitivos. Um programa eficaz de mineração de dados pode descobrir padrões sutis no comportamento do mercado que a maioria dos humanos não teria chance de ver. Um sistema automatizado é absolutamente repetível, enquanto um sistema controlado por seres humanos está sujeito a caprichos humanos. A consistência da tomada de decisões é uma rentabilidade vital a longo prazo. A repetibilidade também é valiosa porque permite o exame de negociações para estudar a operação e talvez melhorar o desempenho por meio de filtragem de sinal. Os sistemas de negociação automatizados mais bem projetados são passíveis de análise estatística rigorosa, que pode avaliar medidas de desempenho, como o desempenho futuro esperado, e a probabilidade de que o sistema tenha existido devido à boa sorte, e não ao poder real. A operação desacompanhada é possível.
Sistemas de negociação automatizados são geralmente usados para uma ou ambas as duas aplicações. O TSSB (Trading System Synthesis and Boosting) é um programa de última geração que é capaz de gerar ambas as aplicações: (1) um sistema de negociação completo e independente que toma todas as decisões de negociação e (2) um modelo que pode ser usado para filtrar as negociações de um sistema de negociação existente para melhorar o desempenho. Nós nos referimos a isso como "impulsionar". Muitas vezes, é o caso de selecionar inteligentemente um subconjunto dos sinais gerados por um sistema comercial existente, e rejeitar os outros, podemos melhorar a relação risco / recompensa.
Duas abordagens para negociação automatizada.
Se o objetivo do usuário é o desenvolvimento de um sistema de negociação independente ou um sistema de filtragem para melhorar o desempenho de um sistema comercial existente, existem duas abordagens comuns para seu desenvolvimento e implementação: (1) regras baseadas em regras IF / THEN por um humano) e modelagem preditiva.
Um sistema de negociação baseado em regras requer que o usuário especifique as regras exatas que tomam decisões comerciais, embora um ou mais parâmetros associados a essas regras possam ser otimizados pelo software de desenvolvimento. Aqui está um exemplo simples de um sistema de negociação baseado em algoritmo:
Se a média móvel de curto prazo dos preços exceder a média móvel de longo prazo dos preços, ENTÃO mantenha uma posição longa durante a próxima barra.
O algoritmo acima declara explicitamente a regra que decide as posições barra a barra, embora a definição exata de "curto prazo" e "longo prazo" seja deixada em aberto. O desenvolvedor pode usar o software para encontrar distâncias de lookback de média móvel que maximizam alguma medida de desempenho. Programas como o TradeStation® incluem uma linguagem proprietária (neste caso, EasyLanguage®), através da qual o desenvolvedor pode especificar regras de negociação.
Com a ampla disponibilidade de computadores de mesa de alta velocidade, uma abordagem alternativa para o desenvolvimento de sistemas de negociação tornou-se viável. A modelagem preditiva emprega software matematicamente sofisticado para examinar indicadores derivados de dados históricos, como preço, volume e interesse aberto, com o objetivo de descobrir padrões repetitivos que tenham poder preditivo. Um modelo preditivo é essencialmente uma fórmula matemática ou lógica que relaciona esses padrões a uma variável prospectiva chamada variável-alvo ou variável dependente, como o retorno do mercado na próxima semana. Essa é a abordagem usada pelo TSSB e tem várias vantagens sobre o desenvolvimento de sistemas baseados em algoritmos:
O software de modelagem inteligente utilizando o aprendizado de máquina pode descobrir padrões que são tão complexos ou enterrados sob ruídos aleatórios que nenhum ser humano jamais poderia vê-los. Uma vez que um sistema de negociação de modelos preditivos é desenvolvido, geralmente é fácil ajustar sua operação para ajustar a relação risco / recompensa para se adequar a aplicações que variam em um amplo espectro. Pode obter um trade-off desejado entre numerosos sinais com menor probabilidade de sucesso e menos sinais com maior probabilidade de sucesso. Isso é feito ajustando um limite que converte as previsões do modelo em sinais discretos de compra e venda. Um software bem projetado permite que o desenvolvedor ajuste o grau de automação empregado na descoberta de sistemas de negociação. Desenvolvedores experientes podem manter um grande controle sobre o processo e colocar seu conhecimento para trabalhar, criando sistemas com certas propriedades desejadas, enquanto desenvolvedores inexperientes podem tirar proveito da automação maciça, permitindo que o software tenha controle majoritário. Em geral, a modelagem preditiva é mais passível de análise estatística avançada do que o desenvolvimento de sistemas baseados em regras. Algoritmos de análise sofisticados para testar a integridade estatística de suas descobertas podem ser incorporados ao processo de geração de modelos mais facilmente do que podem ser incorporados em sistemas baseados em regras especificadas pelo homem. Modelagem preditiva de uma disciplina matemática bem desenvolvida para extrair o máximo de informações de um conjunto de dados que complementam a intuição humana. A intuição é capaz de propor séries de dados e formas de transformá-las em uma grande lista de indicadores candidatos. A modelagem preditiva, mesmo em sua forma mais simples, a regressão linear é superior à intuição humana ao selecionar os melhores candidatos e combiná-los em uma previsão. Houve mais de 150 estudos acadêmicos comparando especialistas humanos com modelos estatísticos que atestam esse fato.
Modelagem Preditiva.
A abordagem de modelagem preditiva para o desenvolvimento de sistemas comerciais depende de uma propriedade básica do movimento dos preços de mercado: todos os mercados contêm padrões que tendem a se repetir ao longo do histórico e, portanto, podem ser usados para prever atividades futuras. Por exemplo, sob algumas condições, pode-se esperar que uma tendência continue até que o movimento esteja esgotado. Sob outras condições, um padrão diferente se manifesta: uma tendência é mais provável de ser seguida por uma retração em relação ao preço médio recente. Um modelo preditivo estuda dados históricos do mercado e tenta descobrir as características que discriminam esses dois padrões.
O objetivo da modelagem preditiva é encontrar padrões que se repetem com frequência suficiente para serem lucrativos. Uma vez descoberto, o modelo estará atento para que o padrão volte a ocorrer. Com base em observações históricas, o modelo será capaz de prever se o mercado subirá em breve, cairá ou permanecerá o mesmo. Essas previsões podem ser traduzidas em decisões de compra / venda por meio da aplicação de limites às previsões do modelo.
Indicadores e metas.
Os modelos preditivos normalmente não funcionam com dados brutos do mercado. Em vez disso, os preços de mercado e outras séries, como o volume, são geralmente transformados em duas classes de variáveis chamadas indicadores e metas. Esses são os dados usados pelo modelo durante seu treinamento, teste e uso final em tempo real. É na definição dessas variáveis que o desenvolvedor exerce sua própria influência no sistema de negociação.
Indicadores são variáveis que parecem estritamente de trás para frente no tempo. Ao negociar em tempo real, como em qualquer barra, um indicador será computável, assumindo que temos dados de preço históricos suficientes para satisfazer a definição do indicador. Por exemplo, alguém pode definir um indicador chamado tendência como a variação percentual do preço de mercado do fechamento de uma barra cinco barras atrás para o fechamento dessa barra. Enquanto conhecermos esses dois preços, podemos calcular esse indicador de tendência. O TSSB pode calcular mais de cem tipos de indicadores que quantificam vários recursos do comportamento do mercado.
Os alvos são variáveis que parecem estritamente avançadas no tempo. (Na modelagem de regressão clássica, o alvo é freqüentemente chamado de variável dependente.) Os alvos revelam o comportamento futuro do mercado. Podemos calcular alvos para dados históricos desde que tenhamos um número suficiente de barras futuras para satisfazer a definição do alvo. Obviamente, porém, quando estamos realmente negociando o sistema, não podemos conhecer os alvos a menos que tenhamos uma bola de cristal fenomenal. Por exemplo, podemos definir um indicador chamado day_return como a variação percentual do mercado, da abertura do dia seguinte para a abertura do dia após a próxima. Se tivermos um registro histórico de preços, podemos calcular esse destino para cada barra, exceto as duas últimas no conjunto de dados. O TSSB pode calcular uma variedade de tipos de variáveis de destino.
Em resumo, a ideia fundamental por trás da modelagem preditiva é que os indicadores podem conter informações que podem ser usadas para prever alvos. A tarefa do modelo preditivo é encontrar e explorar qualquer informação desse tipo.
Obtenha o livro.
& # 8212; Por David Aronson
David Aronson é um pioneiro em aprendizado de máquina e desenvolvimento de sistemas de negociação não-linear e reforço / filtragem de sinais. Aronson é co-designer da TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos. Ele trabalha neste campo desde 1979 e é um técnico de Chartered Market certificado pela The Market Technicians Association desde 1992. Ele era professor adjunto de finanças e ensinava regularmente a alunos de MBA e de engenharia financeira um curso de pós-graduação em análise técnica, mineração de dados e análise preditiva. Seu livro lançado recentemente, Statistically Sound Machine Learning para Algorithmic Trading of Financial Instruments, é uma análise detalhada do desenvolvimento de sistemas de negociação baseados em modelos preditivos usando o TSSB.
Sobre o autor System Trader Success Contributor.
Autores contribuintes são participantes ativos nos mercados financeiros e totalmente envolvidos em análises técnicas ou quantitativas. Eles desejam compartilhar suas histórias, insights e descobertas no System Trader Success e esperam fazer de você um melhor operador de sistema. Entre em contato conosco se você quiser ser um autor colaborador e compartilhar sua mensagem com o mundo.
Posts Relacionados.
Guia para iniciantes de negociação quantitativa.
Estudo de caso: Uma técnica simples do Market Internals pode melhorar os resultados da estratégia de negociação?
Você está perdendo quando deveria estar ganhando? Aqui está algo que você pode estar perdendo.
Talvez eu não seja o consumidor alvo, mas não tenho tempo para ler o livro ou o manual. Como este software se compara a outras opções gratuitas / baratas como o TradeStation? Não consegui encontrar uma tabela de comparação ou uma declaração clara das vantagens.
Olá Stan. É muito diferente da TradeStation. Na verdade, eles servem objetivos totalmente diferentes. No geral, o software TSSB não é uma plataforma de negociação, um programa de gráficos ou um ambiente de desenvolvimento em que você, como programador, escreve código. Em vez disso, o TSSB é uma ferramenta independente para pesquisar sistemas de negociação baseados em modelos preditivos estatisticamente sólidos via aprendizado de máquina. É mais como o Adaptrade Builder do que a TradeStation. Em suma, é uma ferramenta autônoma.
Os autores redescobriram a roda. Estes programas estão disponíveis por um longo tempo. O que eles descreveram como modelagem preditiva é um processo chamado snooping de dados que parece ser preditivo, mas é essencialmente um viés estatístico de usar os dados muitas vezes. Provavelmente, essa é a razão pela qual eles oferecem esse programa gratuitamente e querem cobrar altas taxas de consulta, porque se o programa pudesse ganhar dinheiro eles não o doariam. No geral, este artigo / promoção foi decepcionante e a qualidade deste website diminuiu.
Desculpe, você sente que a qualidade do site não está de acordo com seus padrões. Eu, pelo menos, fiquei feliz em expor meus leitores ao conceito de modelagem preditiva como uma forma de descobrir limites de mercado e / ou construir modelos comerciais completos. Quanto ao software, estou satisfeito que existe uma ferramenta de pesquisa livre. Claramente, muito trabalho foi feito e o manual do usuário é muito extenso. Eu gostaria de ter algo assim anos atrás. Eu não tenho certeza de como uma ferramenta gratuita, que pode ajudar no desenvolvimento de sistemas de negociação, pode ser vista como "descartada". Para sua informação, não ganho dinheiro com o livro ou software. Talvez se você tiver uma crítica específica sobre o software, o autor poderia responder diretamente.
Desculpe, mas a qualidade deste site começou a mostrar sinais de deterioração após o artigo sobre o melhor indicador do mercado de ações & # 8221; mas também antes disso.
Eu apontei para uma crítica específica do software que parece que você perdeu e o autor evitou falar sobre isso e é viés de bisbilhotagem de dados.
O que eles descreveram como modelagem preditiva é um processo chamado snooping de dados que parece ser preditivo, mas é essencialmente um viés estatístico de usar os dados muitas vezes.
Fico feliz que você leve as críticas a sério. Acho que seu blog foi muito melhor quando você escreveu os artigos e não teve nenhum colaborador.
Obrigado por escrever o Bob. Eu tenho contribuintes escrever material para fornecer perspectivas diferentes como eu desejo STS para além do meu conhecimento e experiência pessoal.
O post de Bob revela que ele não olhou para o TSSB ou para o livro. Ele percebe que a mineração de dados incorre em um viés de olhares repetidos para os dados. O fato de que nenhum outro software do qual estou ciente lida com esse problema foi o principal motivo para a criação do TSSB. Eu incluo métodos estatisticamente rigorosos para gerar resultados imparciais e testes de significância estatística que são robustos ao viés da mineração de dados. O último, o teste de Permutação de Monte Carlo foi proposto pela primeira vez por meu co-autor Dr. Tim Masters, que possui um doutorado em estatística e computação numérica. Assim, o ponto inteiro do TSSB é lidar com o problema que Bob corretamente aponta.
Os dois artigos que publiquei não mencionam esse problema, mas ele recebe tratamento extensivo em nosso livro e software.
Os testes de Monte Carlo não podem lidar com o viés de mineração de dados porque eles não podem rejeitar sistemas perfeitamente ajustados. Nem você nem os mestres estão cientes disso, mas nós fazemos porque realmente negociamos.
& # 8220; A principal limitação da análise de Monte Carlo é que, se os seus resultados iniciais forem ajustados à curva, seus resultados serão um absurdo. A análise de Monte Carlo é boa apenas quando é aplicada a um sistema de negociação de som e não a um sistema de sobre-montagem. & # 8221;
Também me surpreende que você misture a mineração de dados e o viés de snooping de dados. Estas são duas coisas diferentes. Seu programa funciona impondo realmente o viés de snooping de dados e não há testes estatísticos conhecidos além do teste de SPA para lidar com isso. Tudo o que você pode mostrar uma regra superior existe no universo de regras com as quais você lida, mas é impossível saber qual delas é. Se você souber de um teste que pode determinar se uma regra comercial específica funcionará no futuro e não é apenas um resultado da mineração de dados, informe-nos para que possamos entrar em contato com Estocolmo e indicá-lo para o Prêmio Nobel.
Você pode me dizer qual é o seu entendimento de como o TSSB faz uso do método Monte Carlo? De sua resposta, parece que você está pensando em outra aplicação de Monte Carlo que não utilizamos. Fico feliz em responder mais, mas vamos primeiro ver se estamos na mesma página.
Estou familiarizado com o teste de Hansen do SPA. Na verdade, eu discuti isso em meu primeiro livro Análise Técnica Baseada em Evidência (Wiley 2006) páginas 329-330)
Olá novamente Bob (desculpe Joe) você pode me dizer o que você entende ser a distinção entre viés de mineração de dados e viés de snooping de dados.
"Você pode me dizer qual é o seu entendimento de como o TSSB faz uso do método de Monte Carlo.? # 8221;
Estamos familiarizados com o trabalho do Dr. Masters e conscientes de que ele faz várias suposições significativas e infundadas, como por exemplo que todos os pares aleatórios de retornos do sistema com retornos brutos diários são igualmente prováveis, algo que equivale a estatísticas esotéricas neste caso particular. Então seus métodos se aplicam apenas a sistemas que são investidos o tempo todo, considerando os retornos brutos diários em um MC ou bootstrap não faz sentido. Como alguém comentou na Amazon sobre o seu livro, estas são acrobáticas estatísticas, porque não há um arcabouço teórico sólido que o sustente.
"Olá de novo, Bob (desculpe por Joe) pode me dizer o que você entende ser a distinção entre viés de mineração de dados e viés de bisbilhotagem de dados.? # 8221;
Isso é inversão do fardo. Você afirma ser capaz de lidar com isso, então, por favor, nos ajude a esclarecer a distinção. Obviamente, você usa os dois termos intercambiáveis, o que não é correto.
Para concluir, se seus métodos estatísticos funcionassem, faria sentido mantê-los em segredo. Caso contrário, revelá-los ao público e distribuir o software gratuitamente não é algo que alguém com uma vantagem faria.
Na verdade, a maioria das pessoas no campo de aprendizado de máquina e mineração de dados usa os termos de maneira intercambiável. Robert Hansen faz em seu artigo mais recente sobre SPA (2010). Recentemente, presidi a pista de aprendizado de máquina de uma conferência para traders em Chicago patrocinada pela Terrapin e, além disso, os palestrantes os usavam de forma intercambiável. Embora eu tenha feito uma distinção entre mineração de dados e espionagem de dados em meu livro de 2006, o último relacionado à obtenção de hipóteses de outros trabalhos de pesquisa, descobri que outros não faziam essa distinção. Você parece pensar que é crucial. Eu convido para explicar a diferença se você se importa se não, então não.
Você fez suposições errôneas sobre o tipo de testes de Permutação de Monte Carlo usados no TSSB. Você parece pensar que estamos permutando a ordem dos negócios produzidos por um sistema de negociação mais adequado. Além disso, suas suposições sobre o trabalho atual do Dr. Masters também estão erradas. Seu artigo anterior, publicado no site do Hood River, não tem nada a ver com o teste MCP mais avançado usado no TSSB. Esta última versão não foi colocada em domínio público.
A versão do teste MCP discutida em meu livro de 2006, Análise Técnica Baseada em Evidência, teste de Hansen e teste de realidade branca, são todos limitados da mesma forma. Eles não trabalham para aprendizado de máquina, o que envolve uma busca guiada pelo espaço da hipótese. Esses testes funcionam apenas se a pesquisa for exaustiva ou aleatória. É precisamente por esta razão que o teste MCP incorporado no TSSB foi concebido para ser válido sob a condição de uma pesquisa guiada (machine learning).
Seus posts anteriores sugerem que suas opiniões estão entrincheiradas e qualquer nova tentativa de corrigir seus erros será infrutífera. Eu vou deixar você a última palavra que parece precisar disso. Não tenho dúvidas de que também será preenchido com imprecisões e insultos. Têm-no.
Abaixo está a resposta do Dr. Timothy Master. Ele não estará respondendo mais.
Bob está perdendo todo o ponto dos testes estatísticos, como o MCPT no TSSB. Ele está certo ao afirmar que o ajuste de curva, o ruído de aprendizagem em vez de padrões autênticos, etc., resultam em um viés otimista nos números de desempenho. Mas o que ele não parece entender é que a principal força motriz por trás do design do TSSB é derrotar esse problema exato! A versão do MCPT documentada nos vários artigos escritos por mim e disponíveis on-line é um projeto inicial, excelente em alguns aplicativos definidos de forma limitada, mas sem valor em um ambiente mais amplo. (O artigo afirma claramente isso e estabelece algumas regras básicas para quando é e não é aplicável.) Esse algoritmo foi posteriormente refinado para ser muito mais robusto, e é essa versão refinada que é incorporada ao TSSB.
De um modo geral, aqui está como um teste MCPT adequadamente projetado funciona. Estipular que o processo de desenvolvimento de um sistema de negociação baseado em modelos (modelos de treinamento e comitês, definição de limites, seleção dos melhores desempenhos, etc) produz números de desempenho otimistas. Se os modelos são excessivamente poderosos e sobrecarregam os dados, esse viés pode ser extremo. Assim, para avaliar e explicar isso, deliberadamente destruímos qualquer poder de previsão nos dados. Isso pode ser feito por meio da permutação aleatória de mudanças de mercado, permutação de metas em relação a indicadores, permutação de movimentos de mercado previstos em relação a limites otimizados ou de qualquer outro número de maneiras, cada uma com seus benefícios e limitações. Se isso for feito um grande número de vezes (centenas ou milhares), poderemos avaliar até que ponto o processo de desenvolvimento do sistema inflaciona o desempenho. Se, por exemplo, constatarmos que os resultados de desempenho obtidos a partir dos dados reais excedem em muito o produzido a partir dos dados permutados, podemos ter certeza de que nosso sistema desenvolvido tem poder real acima e além do produzido pelo viés inerente ao ciclo de desenvolvimento.
Estas questões são discutidas em maior detalhe no livro Statistically Sound Machine Learning. As páginas 161-178 descrevem um MCPT específico útil para triagem rápida e suja de indicadores de poder preditivo. Página 206 descreve outro MCPT que pode ser usado para testar o poder preditivo verdadeiro (que acima e além de qualquer viés de mineração de dados) de um modelo individual. As páginas 299-312 descrevem um MCPT extremamente poderoso que remove completamente os efeitos do viés de mineração de dados em toda a cadeia de tomada de decisão (modelos, comitês, oráculos) para avaliar as verdadeiras capacidades do sistema. De fato, as páginas 302-305 descrevem como ele pode explicar a interação entre o viés de mercado de longo prazo e os sistemas de negociação que são desequilibrados em suas posições de longo prazo. Finalmente, a seção & # 8220; Data Snooping & # 8230; Amigo ou Inimigo & # 8221; Na página 444 fornece uma discussão geral dos problemas relevantes.
Eu faço o ponto várias vezes no livro que muitos desses algoritmos são desenvolvimentos recentes e falta justificativa teórica rigorosa. Por outro lado, eu tenho um PhD em estatística matemática. Eu escrevi cinco livros sobre o assunto, todos os quais receberam elogios na imprensa profissional (e, geralmente, críticas muito positivas no site da Amazon, muito menos confiável). E eu tenho trabalhado continuamente como consultor profissional para a comunidade de negociação de mercado desde 1995. Eu direi que eu uso os algoritmos no TSSB em meu próprio trabalho e tenho total confiança em sua veracidade. Eu não posso garantir que eles estejam completamente corretos em todas as circunstâncias possíveis, mas minha experiência tem sido que eles são dignos de confiança em todas as aplicações em que eu os apliquei.
Por fim, deixe-me dizer que, se alguém tiver uma crítica técnica específica a algum desses algoritmos, ficarei feliz em ouvir essa crítica e, se achar que ela é válida, responderei de alguma forma. Os críticos podem, de fato, me ajudar a melhorar o programa. Estou sempre ansioso por críticas construtivas. Por outro lado, não vou responder a generalidades vagas como: "Ele não sabe do que está falando." Isto é especialmente verdade se a crítica vier de alguém que obviamente nem sequer estudou o livro ou programa e, portanto, está apenas especulando. Discussões desta natureza não são do melhor interesse de ninguém.
"Por exemplo, se observarmos que os resultados de desempenho obtidos a partir dos dados reais excedem em muito os dados produzidos a partir dos dados permutados, podemos ter certeza de que nosso sistema desenvolvido possui um verdadeiro poder acima e além do produzido pelo viés inerente o ciclo de desenvolvimento. & # 8221;
Mais uma vez, vocês dois estão tentando me acusar de críticas simples, mas a verdade é que tentei explicar-lhe algumas vezes que um sistema perfeitamente ajustado sempre aparecerá bem com base em seus testes. Então você basicamente não está conseguindo nada. Este é um problema fundamental com a simulação de MC e não importa como alguém o modifique, ele estará lá.
& # 8220; nossos posts anteriores sugerem que suas opiniões estão entrincheiradas e qualquer nova tentativa de corrigir seus erros será infrutífera. & # 8221;
Eu ia dizer isso sobre seus posts. A simulação de MC pode excluir sistemas aleatórios e ruins, mas não descartará sistemas bem ajustados, os tipos produzidos por seu software ou outro software de aprendizado de máquina, e parece que você está confiando em um método ou modificação que não funciona.
Se você souber de um método que garantirá que um sistema produzido por seu software funcionará em dados invisíveis no modo de encaminhamento, informe-nos. Você não porque ninguém faz. Você reduz o viés de mineração de dados inerente ao sistema defeituoso e retém os sistemas mais adequados, porque o MC, não importa como seja modificado, não pode rejeitá-los.
Eu tenho sido claro, então por favor, não me acuse de ser vago ou apenas criticar seu trabalho. Você basicamente não tem nada e você sabe disso.
Interessante discussão - especialmente porque parece que Bob está tentando expor outra fraude, da qual o panorama financeiro está cheio. Infelizmente, enquanto eu não sou bobo, eu não tenho um Ph. D. em matemática ou estatística. Isso deixa os pontos específicos de debate um pouco acima da minha cabeça. Eu estaria interessado em algum esclarecimento sobre esses pontos específicos se os comentaristas sentirem que vale a pena o seu tempo para fazê-lo.
Discussão muito interessante! É uma pena que tenha se tornado tão pessoal. Eu acho que datasnooping é um dos maiores problemas com backtesting e deve ser discutido mais.
Um argumento a favor de David é que Jaffray Woodriff (um dos gerentes de hedge mais bem-sucedidos) parece fazer coisas parecidas: veja p.152 do Assistente do Mercado de Hedge da Schwager. Aqui Woodriff explica que ele olha para a diferença nos resultados entre o modelo nos dados reais e nos dados com perturbações aleatórias. Isso parece muito semelhante à sua abordagem, não é David?
Também há um artigo recente interessante no SSRN (id = 2308659), que parece a favor do argumento de Bob.
[& # 8230;] Sistemas de Negociacao Baseados no Modelo Preditivo, Parte 1 | Operador do sistema & # 8230; [& # 8230;]
Bob, o que você propõe como uma alternativa ao método MC?
Como podemos melhorar os processos propostos neste texto?
Embora eu não tenha um doutoramento em estatística, estudei este tópico bastante profundamente. Eu também não li o livro TSSB de Aronson e Master (ainda), mas li o que o Masters havia publicado anteriormente sobre o uso do MCP para avaliar os sistemas de negociação, bem como o EBTA da Aronson.
Eu li a postagem no blog do fxhackers pelo link que Bob postou no comentário. Aronson está absolutamente certo de que Bob não parece entender como os testes MCP da Master realmente funcionam. Esse post do blog Bob sugeriu falar genericamente sobre os métodos de Monte Carlo. Infelizmente, o significado do termo Monte Carlo está sobrecarregado. Por wikipedia: Os métodos de Monte Carlo são uma ampla classe de algoritmos computacionais que se baseiam em amostragens aleatórias repetidas para obter resultados numéricos. Isso é conhecido nas estatísticas como reamostragem. Existem muitos métodos de reamostragem, incluindo bootstrap, jacknife e permutação.
O método discutido em fxhackers é na verdade um bootstrap simples usando um conjunto de resultados de negociação de um back-test. O termo Monte Carlo, neste caso, significa simplesmente reordenar aleatoriamente os resultados do comércio individual. Este método é o uso mais ingênuo de reamostragem aplicado à avaliação do sistema de negociação existente. Então, se é isso que Bob acredita que os testes de MCP da Master estão fazendo, eu recebo suas críticas.
Mas os testes MCP da Master são muito diferentes de uma aplicação ingênua de reordenamento aleatório aplicada a resultados comerciais. É uma consequência infeliz do blog e do formato dos comentários que as discussões costumam se rebaixar à discussão sobre generalidades, especialmente quando alguém que discute claramente não se familiarizou com o conteúdo sobre o qual ele argumenta. Os testes de MCP são poderosos quando se encaixam no aplicativo.
Com isso dito, eu acredito que o princípio do MCP é muito limitado em sua aplicabilidade a um sistema de comércio real (pelo menos o que eu li até agora. Minha crítica é que (como Masters prontamente admite) o sistema de negociação deve se encaixar Especificamente, eu ainda não vi uma aplicação de reamostragem para um sistema de negociação no contexto de um portfólio realista (múltiplos instrumentos, limites de margem, limites de tamanho de posição, etc.). Eu ficaria muito felizmente provado errado sobre este comentário. Talvez o livro TSSB fornece melhorias para o trabalho anterior e, como eu disse, eu preciso ler isso.
Posts populares.
Atualização de RSI de 2 períodos do Connors para 2013.
Este indicador simples faz dinheiro de novo e de novo.
O portfólio Ivy.
Melhorando a estratégia do intervalo simples, parte 1.
Copyright © 2011-2018 pela Capital Evolution LLC. - projetado por prosperar temas | Alimentado por WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Após o login, você pode fechá-lo e retornar a esta página.
No comments:
Post a Comment