Genética, "genética dirigida", CRISPR, fuzzy?

Sou relativamente novo no conceito de negociação algorítmica, portanto, há uma grande probabilidade de que eu esteja perdendo alguns pontos cruciais.  

Os fluxos de trabalho discutidos nos manuais e extraídos de diferentes tópicos no fórum são mais ou menos os seguintes:

 

olhar o gráfico de preços > tentar identificar algumas regularidades > tentar formalizar a observação > desenvolver o sistema > testar, etc.  

OU 

adicionar indicador(es) > tentar identificar regularidades, e assim por diante, como acima.  

 

Outra abordagem é a força bruta - pode levar algum tempo, possivelmente muito longo, para encontrar algo que valha a pena. 

Outra opção é implementar o algoritmo genético. Dependendo das condições escolhidas e do mecanismo subjacente, o resultado será melhor ou pior. 

 

Todos os itens acima se esforçam para combinar alguns princípios, principalmente o de que a formalização resultante (ou seja, a regra) deve ser uma descrição generalizada da curva formada pelos preços para evitar o preenchimento excessivo, e os princípios sobrepostos de gerenciamento de risco e dinheiro.

 

Essas tarefas são difíceis. Além disso, parece-me que é ainda mais difícil buscar as regras que descrevem tendências que se estendem por dias, enquanto é um pouco mais fácil encontrar alguma solução para flutuações de tempo mais curtas. 

 

 

É possível reverter (ou modificar) esse fluxo de trabalho? Basicamente, seria o seguinte.

 

Observe o gráfico > identifique (marque) as regiões de interesse, regiões de possíveis entradas e saídas. Com o conjunto de parâmetros (preços absolutos e relativos, intervalos, indicadores etc.) e depois de editar o dinheiro e outras restrições principais, peça ao computador para encontrar um conjunto de regras que descreva o movimento do preço entre as regiões marcadas? Para evitar o ajuste excessivo e, em vez disso, obter a descrição generalizada desejada da curva (movimento de preço), introduza uma imprecisão variável nos parâmetros (seus valores absolutos ou relativos).  

 

O que descrevi é apenas um exemplo específico de algoritmo genético, talvez "evolução dirigida"? Em vez de acertar ou errar, eu gostaria de empurrar o programa na direção desejada..... 

 

O CRISPR é um acrônimo verdadeiro retirado da biologia molecular e serve aqui como um arenque vermelho.  

 

Observe o gráfico > identifique (marque) as regiões de interesse, regiões de possíveis entradas e saídas. Com o conjunto de parâmetros (preços absolutos e relativos, intervalos, indicadores etc.) e depois de editar o dinheiro e outras restrições principais, peça ao computador para encontrar um conjunto de regras que descreva o movimento do preço entre as regiões marcadas? Para evitar o ajuste excessivo e, em vez disso, obter a descrição generalizada desejada da curva (movimento de preço), introduza uma imprecisão variável nos parâmetros (seus valores absolutos ou relativos).

 

Tenho analisado isso fora do SQ usando o aprendizado de máquina (SVM, árvores de decisão, Bayes). Estou tentando prever os principais pontos de inflexão usando fontes de dados externas.

 

É muito demorado coletar, normalizar e alinhar os dados à série temporal que você está tentando prever.

 

No entanto, se você puder prever a tendência geral da direção do mercado e alimentar o SQ com isso (simulei isso com dados de indicadores externos), os resultados serão cerca de 10 vezes mais lucrativos com o mesmo drawdown do que o SQ sozinho.

(Removido em retrospecto porque era uma pergunta embaraçosa para iniciantes e não agregava nenhum valor, haha)

Bem-vindo mikeyc escrever algum guia ou algo do gênero. 

Não tenho tempo para escrever em detalhes e ainda não concluí meu trabalho sobre isso, mas aqui está um resumo rápido do que observei:

 

Usei o indicador ziguezague para gerar pontos de inflexão (o preço está em tendência de alta ou de baixa) no período horário e diário usando dados históricos. Isso foi feito para identificar o seguimento de tendência mais perfeito. Como se tratava de dados históricos, não havia problema de repintura, ele simplesmente mostrava o momento perfeito para operar comprado ou vendido.

 

Alinhei esses sinais aos dados de 5 minutos. Tenho uma estrutura C# para todo esse tipo de coisa.

 

Eu o importei para o SQ3 como um indicador. Depois de muitas horas, o SQ3 começou a selecionar estratégias que usavam esse indicador perfeito, e os lucros e os drawdowns, como era de se esperar, foram excelentes. 

 

Em seguida, usei esses dados de ponto de virada perfeito no estúdio de aprendizado de máquina do Azure. https://studio.azureml.net/

 

Como preditores, carreguei muitos dados externos, incluindo o sentimento do trader de varejo que tenho, outros indicadores, etc.

 

Em seguida, tentamos encontrar a melhor maneira de prever os pontos de inflexão em ziguezague usando esses valores.

 

Ainda não concluí esse trabalho, ele está em andamento. Pretendo adicionar aos modelos eventos econômicos do calendário, dados de força da moeda e dados de correlação.

Mikeyc

abordagem interessante! Consome muito tempo e é ................ arriscado o sentido do resultado. Mas, de fato, você respondeu à minha pergunta sobre o que chamei de evolução "direta". Você sabe se o Azure tentará criar um modelo "nítido", ou seja, com ajuste excessivo? Em caso afirmativo, você acha que é possível, usando qualquer ferramenta, seja Azure, SQ ou similar, inserir um coeficiente "fuzzy" no modelo?