Nouvelle méthode de construction de stratégies

Bonjour à tous, je réfléchissais à de nouvelles approches pour construire des algorithmes et j'ai trouvé une idée sur laquelle j'aimerais avoir un retour. L'implémentation d'une telle idée prendra un certain temps, donc je ne pense pas que cela devienne une fonctionnalité de sitôt.

Actuellement, la façon dont SQX construit les stratégies est additive. En d'autres termes, chaque stratégie commence avec une quantité minimale de blocs d'indicateurs et les blocs sont ajoutés ou modifiés sur les générations suivantes lors de la construction.

Je pense que nous devrions également envisager d'intégrer une méthode soustractive. Au lieu de commencer par un petit ensemble de blocs d'indicateurs et de construire sur cette base, vous pouvez simuler des opérations d'achat/vente pour tous les blocs d'indicateurs sélectionnés, puis retirer les blocs les moins rentables dans chaque génération successive.

Dans cette méthode, tous les blocs d'indicateurs sont chargés en mémoire en une seule fois et les opérations d'achat et de vente sont effectuées de manière aléatoire pour chaque bloc d'indicateurs. Les blocs sont ensuite regroupés en stratégies sur la base des blocs simulés qui ont été simultanément bénéficiaires. Les blocs indicateurs sont supprimés lors des générations suivantes en fonction des blocs indicateurs qui ont réalisé le moins de bénéfices (ou sur la base d'une optimisation personnalisée de la condition physique). Un maximum mobile de distance en profit (X ATR ou X pips) peut être pris pour chaque bloc et moyenné entre les blocs afin de suggérer une valeur TP, et vice versa des valeurs SL avec des pertes. Si la symétrie est sélectionnée, les stratégies seront construites avec des blocs d'indicateurs symétriques et supprimeront les blocs d'indicateurs respectifs des deux côtés. Si un bloc indicateur est utilisé pour le TP/SL, un ensemble de blocs doit être sélectionné pour le TP/SL possible, et ils sont simulés simultanément avec les stratégies générées.

La théorie sous-jacente est basée sur l'apprentissage d'ensemble, mais comme nous utilisons une version d'une forêt aléatoire, il s'agit essentiellement d'une forêt aléatoire inversée en ce sens que tous les indicateurs sont testés en même temps, puis réduits au fur et à mesure que les générations se succèdent. Les inconvénients de cette méthode sont qu'il peut être complexe de simuler toutes ces données simultanément et qu'elle serait plus lente que la méthode actuelle. Elle devrait s'accélérer au fur et à mesure que les générations progressent, car les indicateurs sont supprimés sur les générations suivantes. Il est également possible d'utiliser le calcul parallèle pour accélérer ce processus, car tous les blocs d'indicateurs sont simulés simultanément.

J'ai listé la demande de fonctionnalité ici :

https://roadmap.strategyquant.com/tasks/sq4_5741

Bien sûr, il y a des questions bien plus importantes à traiter en ce moment. Je voulais juste savoir si quelqu'un d'autre pensait que cela valait la peine d'être examiné.

kainc301 a écrit :

  Dans cette méthode, tous les blocs d'indicateurs sont chargés en mémoire en une seule fois 

Je pense que vous aurez besoin d'un matériel très puissant, du type de ceux que seules les grandes entreprises ou les agences d'État possèdent. Ce serait comme un SXQ d'entreprise

ivan a écrit :

Je pense que vous aurez besoin d'un matériel très puissant, du type de ceux que seules les grandes entreprises ou les agences d'État possèdent. Ce serait comme un SXQ d'entreprise

Je pense que la gestion des calculs est le plus grand obstacle pour une idée comme celle-ci, simplement en raison de la quantité d'opérations parallèles. Je ne sais pas dans quelle mesure. Si l'on procède comme je le suggère, il n'y aura qu'une seule opération parallèle par génération au lieu d'une par stratégie. Dans ce cas, nous pourrions utiliser le matériel dont nous disposons actuellement au prix d'un processus de construction légèrement plus lent au lieu d'un processus de construction exponentiellement plus lent. Le chargement de tous les blocs d'indicateurs dans la mémoire peut également constituer un défi.