¿Genética, "genética dirigida", CRISPR, difusa?

Soy relativamente nuevo en el concepto de negociación algorítmica, por lo que es muy probable que me esté perdiendo algunos puntos cruciales.  

Los flujos de trabajo discutidos en los manuales y destilados de diferentes hilos en el foro son más o menos los siguientes:

 

observar el gráfico de precios > intentar detectar algunas regularidades > intentar formalizar la observación > desarrollar el sistema > probar, etc.  

O 

añadir indicador(es) > intentar detectar regularidades, y así sucesivamente como arriba..  

 

Otro enfoque es la fuerza bruta: puede que tarde algún tiempo, posiblemente mucho, en dar con algo que merezca la pena. 

Otra es aplicar el algoritmo genético. Dependiendo de las condiciones elegidas y del motor subyacente, el resultado será mejor o peor. 

 

Todo lo anterior se esfuerza por combinar algunos principios, principalmente que la formalización resultante (es decir, la regla) tiene que ser una descripción generalizada de la curva formada por los precios para evitar el sobrellenado , y los principios superpuestos de gestión del dinero y del riesgo.

 

Esas tareas son difíciles. Además, me parece que es aún más difícil apuntar a las reglas que describen tendencias que abarcan días, mientras que es un poco más fácil dar con alguna solución para fluctuaciones temporales más cortas. 

 

 

¿Es factible invertir (o modificar) ese flujo de trabajo? Básicamente sería como sigue

 

Observar el gráfico > identificar (marcar) las regiones de interés, regiones de entradas y salidas potenciales. Teniendo el conjunto de parámetros (precios absolutos y relativos, rangos, indicadores, etc, etc), y tras editar el dinero y otras restricciones principales, encargue al ordenador que encuentre un conjunto de reglas que describa el movimiento del precio entre las regiones marcadas... Para evitar el sobreajuste y obtener en cambio la descripción generalizada deseada de la curva (movimiento de precios), introduzca una imprecisión variable en los parámetros (ya sean sus valores absolutos o relativos).  

 

¿Es lo que he descrito un caso particular de algoritmo genético, tal vez "evolución dirigida"? En lugar de golpear o fallar me gustaría empujar el programa en la dirección deseada..... 

 

CRISPR es un acrónimo real tomado de la biología molecular y sirve aquí como pista falsa.  

 

Observar el gráfico > identificar (marcar) las regiones de interés, regiones de entradas y salidas potenciales. Teniendo el conjunto de parámetros (precios absolutos y relativos, rangos, indicadores, etc, etc), y tras editar el dinero y otras restricciones principales, encargue al ordenador que encuentre un conjunto de reglas que describa el movimiento del precio entre las regiones marcadas... Para evitar el sobreajuste y obtener en cambio la descripción generalizada deseada de la curva (movimiento de precios), introduzca una imprecisión variable en los parámetros (ya sean sus valores absolutos o relativos).

 

He estado mirando esto fuera de SQ usando Machine Learning (SVM, Decision Trees, Bayes). Tratando de predecir los principales puntos de inflexión utilizando fuentes de datos externas.

 

Lleva mucho tiempo recopilar, normalizar y alinear los datos con la serie temporal que se intenta predecir.

 

Sin embargo, si se puede predecir el sesgo general de la dirección del mercado, y alimentar que en SQ (he simulado esto con los datos del indicador externo), los resultados son aproximadamente 10 veces más rentable con la misma reducción que SQ solo.

(Eliminado a posteriori porque era una pregunta vergonzosa de principiante y no aportaba nada, jaja)

Bienvenido mikeyc escribir alguna guía o algo así. 

No tengo tiempo para escribir en detalle, y no he terminado mi trabajo sobre esto, pero aquí está un resumen rápido de lo que miré:

 

Utilicé el indicador zig zag para obtener los puntos de inflexión (el precio está en tendencia alcista o bajista) en el marco temporal diario y por hora utilizando datos históricos. Esto fue para identificar la tendencia más perfecta siguiente. Como eran datos históricos, no había ningún problema de repintado, simplemente mostraba el momento perfecto para operar en largo o en corto.

 

Alineé estas señales con datos de 5 minutos. Tengo un marco C# para todo este tipo de cosas.

 

He importado esto en SQ3, como un indicador. Después de muchas horas SQ3 comenzó a recoger las estrategias que utilizan este indicador perfecto, y los beneficios y las reducciones como era de esperar eran excelentes. 

 

A continuación, utilicé estos datos perfectos del punto de inflexión en el estudio de aprendizaje automático de Azure. https://studio.azureml.net/

 

Como predictores he cargado un montón de datos externos, incluyendo el sentimiento del comerciante minorista que tengo, otros indicadores, etc.

 

A continuación, intentamos encontrar la mejor forma de predecir los puntos de giro en zigzag utilizando estos valores.

 

Aún no he concluido este trabajo, está en curso. Tengo previsto añadir a los modelos acontecimientos económicos del calendario, datos sobre la fortaleza de las divisas y datos de correlación.

Mikeyc

¡enfoque interesante ! Lleva mucho tiempo y ................ arriesgado es el sentido del resultado. Pero, efectivamente, has respondido a mi pregunta sobre lo que yo llamaba evolución "directa". ¿Sabes si Azure intentará crear un modelo "crisp", es decir, sobreajustado? En caso afirmativo, ¿crees que es posible, utilizando alguna herramienta, ya sea Azure o SQ o similar, insertar un coeficiente "difuso" en el modelo?