m********0
发帖数: 2717 | 1 别的论坛上有一些人用netral network或者support vector machine做，还有一些有意
思的讨论，我都快不记得SVM了，不过一直想试试weighted majority algorithms。关
于WA用在trading strategy上的论文还不少，我看了一些，都蛮有意思的，
Learning to trade with incremental support
vector regression experts
这篇好像用了SVM结合WA，很简短，但是从它的结论看，最后的expert是很轻松地beat
best expert（in components）。这点我不怀疑，本来boost algorithm就是把weak
learner变成strong learner的。除非market是100% efficient，总是存在weak
learner的（better than coin toss）。
Evolutionary Algorithms in Optimization of Technical Rules for
Automated Stock Trading
这个貌似是个UT Austin的dissertation，不过博士硕士论文一向良莠不齐，还没来得
及仔细看。
Risk-Sensitity Online Learning
这篇UPenn的Paper也写得不错，结论近似，结尾有一些empirical的总结，说有的时候
减少perform better expert的weight会有更好的结果，给出的解释是mean reverse
behavior，非常的empirical，我觉得如果真的大部分strategy的performance不是
decay而是periodical的，那真是没有比online learning更好的方法了。当然Boost要
足够强，快过period。
AUTOMATED TRADING WITH BOOSTING AND EXPERT WEIGHTING
这篇引用可怜，但是很详尽。我觉得是所有文章中最接近practice的了。文中divide
and conquer分成three layers也显示了比较实际的经验。对我有一些启发，比如说传
统的parameter optimization也可以用WA的算法来做，譬如同时用五个TSI indicator
，用不同的parameter当不同的expert来训练。或者对时间段的选择也可以这样做。
但是关于weight adjust部分，他貌似是用Sharpe ratio和Sterling ratio来衡量的。
我还没有implement到那么精细，用1min的数据测试的结果也没有文章的好。很多细节
还没有做好。实际上如果考虑一个complete的trading system，要考虑的东西太多，
光是transaction cost reduction这部分就要花很多脑筋，可能我divide and conquer
做得不好。
上面所有的文章网上都可以下载到。 |
x***i
发帖数: 106 | |
b*******e
发帖数: 6389 | |
m********0
发帖数: 2717 | 4 哪里，你十年前就比我现在的水平强了。liliwater也比厉害多了。 |
s**********o
发帖数: 197 | 5 请问现在的autotrading system 一般都怎么实现的？是不是直接用一些经典的买入卖
出信号，然后if...else if... |
C****a
发帖数: 1639 | 6 同意，除非有个team，否则这种事情很难一个人做，特别是对于非专业的，即使对
statistical learning在行。 |
C****a
发帖数: 1639 | 7 mitbbs2020 太牛了。
这里号称做系统的挺多的，楼主是真的非常刻苦。敬佩。 |
g*****0
发帖数: 887 | 8 我倒对这个有兴趣. 我觉得最简单的 最直接的办法是 可以 利用 stock 交易中的
features 来做一个classificatio你的问题. 但是不知道 这些所有的历史数据能在哪
里找到? |
m********0
发帖数: 2717 | 9 我就是一个人在瞎做呀。
反正有，大把时光～
【在 C****a 的大作中提到】
: 同意，除非有个team，否则这种事情很难一个人做，特别是对于非专业的，即使对
: statistical learning在行。
|
C****a
发帖数: 1639 | 10 你是专业的呀。
不过即使不是，估计你也可以到现在的水平，以你的热情。
【在 m********0 的大作中提到】
: 我就是一个人在瞎做呀。
: 反正有，大把时光～
|
|
|
v*****k
发帖数: 7798 | 11 不过我有个直觉就是复杂的classifier性能不一定好。SVM真的比k-nearest neighbor
强么？
【在 m********0 的大作中提到】
: 我就是一个人在瞎做呀。
: 反正有，大把时光～
|
h********e
发帖数: 1972 | 12 基本一个人做没啥希望。。。能写出paper的都是不太work的~~ 首先modeling就是个大
问题。svm这种严重依赖手动调参数的。。最后的结果只能fit 历史记录，而不能提高
未来的准确性。
不过如果你打算搞1分钟线，这是个好方向。做超短线和高频交易才是出路。并且你的
网速要很好，而且下蛋也要快才行。 |
C****a
发帖数: 1639 | 13
neighbor
this is clustering vs. classification.
【在 v*****k 的大作中提到】
: 不过我有个直觉就是复杂的classifier性能不一定好。SVM真的比k-nearest neighbor
: 强么？
|
C****a
发帖数: 1639 | 14
I usually iteratively tune the model until it is not very sensitive to the
parameters. If it is, then it is not a good
model.
【在 h********e 的大作中提到】
: 基本一个人做没啥希望。。。能写出paper的都是不太work的~~ 首先modeling就是个大
: 问题。svm这种严重依赖手动调参数的。。最后的结果只能fit 历史记录，而不能提高
: 未来的准确性。
: 不过如果你打算搞1分钟线，这是个好方向。做超短线和高频交易才是出路。并且你的
: 网速要很好，而且下蛋也要快才行。
|
m********0
发帖数: 2717 | 15 这个我不知道。
这个倒是讨论过，Ocam's razor principal都知道，
但是principal就是principal，实际上我知道一个叫athena的fund
的系统就是200多个indicators + filters，
correlation很强，就是work，他们说Rentech的系统参数更多。
neighbor
【在 v*****k 的大作中提到】
: 不过我有个直觉就是复杂的classifier性能不一定好。SVM真的比k-nearest neighbor
: 强么？
|
h********e
发帖数: 1972 | 16 一定是有很多work的系统的。。我以前导师的师弟就不搞学术去开高频交易公司。。现
在还没回学术圈。。估计捞钱捞大发了。 |
m********0
发帖数: 2717 | 17 nonparametric的算法我也打算尝试。而并不热衷SVM。
我说的最多的是online learning，并没有固定的parameter。
可能以后会尝试一下generic/genetic algorithm。
但是trading真是比较empirical的东西，我不知道从理论/实际上讲，什么样的
Statistic Learning比较适用，Caspia大牛比我了解。
【在 h********e 的大作中提到】
: 基本一个人做没啥希望。。。能写出paper的都是不太work的~~ 首先modeling就是个大
: 问题。svm这种严重依赖手动调参数的。。最后的结果只能fit 历史记录，而不能提高
: 未来的准确性。
: 不过如果你打算搞1分钟线，这是个好方向。做超短线和高频交易才是出路。并且你的
: 网速要很好，而且下蛋也要快才行。
|
m********0
发帖数: 2717 | |
m********0
发帖数: 2717 | 19 但是我觉得这个statement暗示，market也就是你研究的东西是static的，
换句话说，market inefficient的原因和程度是不变的。
但这不大成立，所以，这也是我偏爱online learning，而不把overfitting称做
fitting问题。
【在 C****a 的大作中提到】
:
: I usually iteratively tune the model until it is not very sensitive to the
: parameters. If it is, then it is not a good
: model.
|
C****a
发帖数: 1639 | 20
I just mean that any good model should not heavily rely on parameter
selection.
Yeah, the market condition is constantly changing and the model should be
trained to be adaptive to the
market. If time frame is also a parameter for the adaptive model, the model
should not so rely on how long
you look back.
【在 m********0 的大作中提到】
: 但是我觉得这个statement暗示，market也就是你研究的东西是static的，
: 换句话说，market inefficient的原因和程度是不变的。
: 但这不大成立，所以，这也是我偏爱online learning，而不把overfitting称做
: fitting问题。
|
|
|
m********0
发帖数: 2717 | 21 partially agree.
I call that modeless.
I think market the form of market inefficiency is different with different
time frame.
it's even complicated than Inefficiency = f(time_frame).
so it is adaptive, but your model(inefficiency probe) has a corresponding
working time frames and works best understand.
but it should not be too sensitive to looking back period.
otherwise, it's not even a good candidate for weak learner.
model
【在 C****a 的大作中提到】
:
: I just mean that any good model should not heavily rely on parameter
: selection.
: Yeah, the market condition is constantly changing and the model should be
: trained to be adaptive to the
: market. If time frame is also a parameter for the adaptive model, the model
: should not so rely on how long
: you look back.
|
b*****e
发帖数: 499 | 22 Both SVM and KNN can be used for classification.
【在 C****a 的大作中提到】
:
: I just mean that any good model should not heavily rely on parameter
: selection.
: Yeah, the market condition is constantly changing and the model should be
: trained to be adaptive to the
: market. If time frame is also a parameter for the adaptive model, the model
: should not so rely on how long
: you look back.
|
t*****3
发帖数: 254 | 23 SVM is better than KNN
【在 b*****e 的大作中提到】
: Both SVM and KNN can be used for classification.
|
c******g
发帖数: 266 | 24 machine learning我懂啊，可是真的对trading有用吗？比较怀疑也。。 |
