چگونه می توان چندین الگوریتم معاملاتی را با هم ترکیب کرد؟

آیا می توان الگوریتم های مختلف را برای بهبود عملکرد تجارت ترکیب کرد؟به طور خاص ، من خوانده ام که ردیابی احساسات رسانه های اجتماعی ، پردازش سیگنال دیجیتال و شبکه های عصبی همه می توانند برای الگوریتم های تجارت استفاده شوند. آیا می توان یک الگوریتم تجاری ایجاد کرد که عناصر این سه حوزه را ترکیب کند یا این روش ها به طور متقابل منحصر به فرد هستند که با یکدیگر ناسازگار هستند؟اگر به یکی متعهد باشید ، می توانید از دیگری استفاده کنید؟

• تجارت
• بازرگانی الگوریتمی
• رشته های بازرگانی کمکی
• کارایی

دنبال کردن 13. 2k 6 6 نشان های طلا 61 61 نشان نقره 109 109 نشان برنز از 7 نوامبر 2011 در 21:02 پرسید سیامی سیامی 747 7 7 نشان نقره 13 13 نشان برنز $ endgroup $

3 پاسخ 3

مرتب شده توسط: تنظیم مجدد به طور پیش فرض $ begingroup $

آره. در مرحله اول ، اگر شما می توانید خروجی پیش بینی خود را استاندارد کنید ، بنابراین آنها در همان واحدها قرار دارند (به عنوان مثال بازده یا احتمالات یک رویداد/شرایط موجود است) بسیار ساده تر است. بعد از انجام این کار ، 3 رویکرد کلی وجود دارد:

1. وزن سیگنال: سپس باید یک طرح وزنه برداری را برای عوامل خود تعریف کنید. ریچارد گرینولد در مقاله خود "وزن سیگنال" یک پاسخ به این سؤال دارد. توجه داشته باشید که روشهای کمی برای سیگنال های وزن وجود دارد (بهینه سازی ، مدل های متا ، پیش بینی استخر ، میانگین مدل بیزی ، وزن بر اساس عملکرد خارج از نمونه و غیره). مشکل کلی "وزن سیگنال" اخیراً تحقیقات قابل توجهی را به خود جلب می کند و از نظر من یک مشکل سخت و بدون اجماع است.
2. آنتروپی استخر: به جای وزن سیگنال ها می توانید سیگنال ها را با استفاده از استخر آنتروپی ادغام کنید. در اینجا شما نمرات اعتماد به نفس را به هر سیگنال اختصاص می دهید و توزیع خلفی جدید را ایجاد می کنید. کاشت آنتروپی سیگنال ها را به شکلی مخلوط می کند که کمترین ساختار را بر پیش بینی شما تحمیل می کند. آتلیو میوچی مقاله ای در مورد نحوه انجام این کار دارد.
3. با استفاده از این سیگنال های مستقل به عنوان متغیرهای پیش بینی کننده ، یک مدل بسازید. ممکن است PCA ، رگرسیون ، یک مدل سلسله مراتبی یا یک تکنیک گروه را امتحان کنید. شما همچنین لازم نیست اطمینان حاصل کنید که سیگنال ها در همان واحدها هستند اگرچه این امر به شهود شما کمک می کند. به طور طبیعی ، شما باید از طریق برخی از روش های مدل سازی پیش بروید و خطی بودن ، عدم استقرار و غیره را در نظر بگیرید.

دنبال کردن در 7 نوامبر 2011 در 21:38 پاسخ داد رام آهلووالیا رام آهلووالیا 13. 4K 3 3 نشان های طلا 60 60 نشان نقره 93 93 نشان برنز $ endgroup $ $ begingroup $

از هر روشی که استفاده می کنید ، توصیه می کنم اجرای خود را با شبیه سازی مونت کارلو و همچنین داده های واقعی آزمایش کنید (اگرچه با انجام سوژه های کاوی ، می تواند در مورد شبیه سازی های مونت کارلو شما یک بررسی عقل را انجام دهد.) برای اکثر موارد متعددالگوریتم ها ، جریان های بازده مستقل نخواهند بود و شما باید این کار را در تست های خود در نظر بگیرید.

در مورد روش ترکیبی برای استفاده ، من پیشنهاد می کنم با تخصیص دلار مساوی (شبیه به قانون 1/N که به نظر می رسد برای اوراق بهادار سهام خوب کار می کند) ساده را شروع کنید ، یا حداقل یک تخصیص "خطر برابر". منظور من این است که چیزی در امتداد "مبلغ ثابت پول را در هر استراتژی که تجارت می کنید ، بگذارید ، به آنها اجازه دهید اوراق بهادار خود را نگه دارند و پول را به عنوان مثال یک برنامه ماهانه تغییر دهند."

دنبال کردن پاسخ 8 نوامبر 2011 در 6:29 shabbychef shabbychef 2،806 4 4 نشان های طلا 25 25 نشان نقره 31 31 نشان های برنز $ endgroup $ $ begingroup $

همانطور که به شبکه عصبی اشاره می کنید ، به طور کلی ، ممکن است دوست داشته باشید به تکنیک های مختلف یادگیری ماشین نگاه کنید.

از آن طرف ، Quant Guy همچنین از یادگیری گروهی یاد کرد که اصطلاح کلی برای ترکیب مدلهای مختلف یادگیری است. من می خواهم در این مورد کمی بیشتر توضیح دهم:

در یادگیری ماشین ، روشهای سنتی برای ترکیب مدل ها کمیته رأی گیری ساده ، کیف کردن ، تقویت (Adaboost) و غیره است. همه اینها ، شما می توانید به سادگی این اصطلاح را برای دریافت اطلاعات زیادی Google کنید.

تعمیم انباشت ، که اخیراً نیز به آن مخلوط می شود ، در کارهای یادگیری ماشین عملی بیشتر و بیشتر محبوب می شود. به عنوان مثال ، هر دو دو تیم برتر در جایزه معروف Netflix (1 میلیون دلار) به شدت ترکیب شدند و اغلب مدل ها را با هزاران مدل با ترکیب ترکیب می کنند.

برای ترکیب ، می توانید از تیم برنده Netflix به این BlogPost مراجعه کنید. و همچنین ، و مقاله اصلی D. H. Wolpert.