Genetica, "genetica diretta", CRISPR, confusa?

Sono relativamente nuovo al concetto di trading algoritmico, quindi è molto probabile che mi sfuggano alcuni punti cruciali.  

I flussi di lavoro discussi nei manuali e distillati da diverse discussioni sul forum sono più o meno i seguenti:

 

osservare il grafico dei prezzi > cercare di individuare alcune regolarità > cercare di formalizzare l'osservazione > sviluppare il sistema > testare, ecc.  

O 

aggiungere uno o più indicatori > cercare di individuare le regolarità, e così via, come sopra.  

 

Un altro approccio è la forza bruta: potrebbe volerci del tempo, magari molto lungo, per imbattersi in qualcosa di valido. 

Un'altra possibilità è quella di implementare un algoritmo genetico. A seconda delle condizioni scelte e del motore sottostante, il risultato sarà migliore o peggiore. 

 

Tutte le proposte di cui sopra si sforzano di combinare alcuni principi, in primo luogo che la formalizzazione risultante (cioè la regola) deve essere una descrizione generalizzata della curva formata dai prezzi, al fine di evitare l'overfilling, e i principi di gestione del denaro e del rischio sovrapposti.

 

Questi compiti sono difficili. Inoltre, mi sembra che sia ancora più difficile puntare a regole che descrivano tendenze che si estendono per giorni, mentre è un po' più facile trovare una soluzione per fluttuazioni temporali più brevi. 

 

 

È possibile invertire (o modificare) questo flusso di lavoro? Fondamentalmente sarebbe come segue.

 

Osservare il grafico > identificare (contrassegnare) le regioni di interesse, le regioni di potenziale entrata e uscita. Avendo a disposizione l'insieme dei parametri (prezzi assoluti e relativi, range, indicatori, ecc. ecc.), e dopo aver modificato il denaro e altri vincoli principali, incaricare il computer di trovare un insieme di regole che descriva il movimento dei prezzi tra le regioni contrassegnate? Per evitare l'overfitting e ottenere invece la descrizione generalizzata desiderata della curva (movimento dei prezzi), introdurre una variabile fuzzy nei parametri (sia nei loro valori assoluti che in quelli relativi).  

 

Quello che ho descritto è solo un'istanza particolare di algoritmo genetico, forse "evoluzione diretta"? Invece di colpire o sbagliare, vorrei spingere il programma nella direzione desiderata..... 

 

CRISPR è un vero e proprio acronimo tratto dalla biologia molecolare e serve qui come depistaggio.  

 

Osservare il grafico > identificare (contrassegnare) le regioni di interesse, le regioni di potenziale entrata e uscita. Avendo a disposizione l'insieme dei parametri (prezzi assoluti e relativi, range, indicatori, ecc. ecc.), e dopo aver modificato il denaro e altri vincoli principali, incaricare il computer di trovare un insieme di regole che descriva il movimento dei prezzi tra le regioni contrassegnate? Per evitare l'overfitting e ottenere invece la descrizione generalizzata desiderata della curva (movimento dei prezzi), introdurre una variabile fuzzy nei parametri (sia nei loro valori assoluti che in quelli relativi).

 

Ho analizzato questo aspetto al di fuori di SQ utilizzando l'apprendimento automatico (SVM, alberi decisionali, Bayes). Cerco di prevedere i principali punti di svolta utilizzando fonti di dati esterne.

 

La raccolta, la normalizzazione e l'allineamento dei dati alla serie temporale che si sta cercando di prevedere richiedono molto tempo.

 

Tuttavia, se si riesce a prevedere l'orientamento generale del mercato e ad alimentarlo con SQ (ho fatto una simulazione con i dati di indicatori esterni), i risultati sono circa 10 volte più redditizi con lo stesso drawdown rispetto a SQ da solo.

(Rimosso a posteriori perché era una domanda imbarazzante da principiante e non aggiungeva alcun valore, haha)

Benvenuti mikeyc scrivere una guida o qualcosa del genere. 

Non ho tempo di scrivere in dettaglio e non ho ancora completato il mio lavoro, ma ecco un rapido riassunto di ciò che ho esaminato:

 

Ho utilizzato l'indicatore zig zag per individuare i punti di svolta (il prezzo è in uptrand o downtrend) su timeframe orari e giornalieri utilizzando i dati storici. Questo per identificare il trend following più perfetto. Poiché si trattava di dati storici, non c'era alcun problema di riverniciatura, ma mostrava semplicemente il momento perfetto per fare trading long o trading short.

 

Ho allineato questi segnali ai dati a 5 minuti. Ho un quadro C# per questo genere di cose.

 

L'ho importato in SQ3 come indicatore. Dopo molte ore SQ3 ha iniziato a rilevare le strategie che utilizzavano questo indicatore perfetto e i profitti e i drawdown, come ci si poteva aspettare, sono stati superlativi. 

 

Poi ho utilizzato i dati di questo punto di svolta perfetto in Azure machine learning studio. https://studio.azureml.net/

 

Come predittori ho caricato molti dati esterni, tra cui il sentiment dei trader al dettaglio che ho, altri indicatori, ecc.

 

Poi si è cercato di trovare il modo migliore per prevedere i punti di svolta a zig zag utilizzando questi valori.

 

Non ho ancora concluso questo lavoro, è in corso. Ho in programma di aggiungere ai modelli gli eventi economici del calendario, i dati sulla forza delle valute e le correlazioni.

Mikeyc

approccio interessante! Richiede molto tempo e ................ rischioso è il senso del risultato. Ma in effetti hai risposto alla mia domanda su quella che ho chiamato evoluzione "diretta". Sai se Azure tenterà di creare un modello "croccante", cioè sovraadattato? Se sì, pensi che sia possibile, con qualsiasi strumento, sia esso Azure o SQ o simile, inserire un coefficiente "fuzzy" nel modello?