нейронные сети

 Введение

     Многие datascientists, желающие использовать ML на финансовых рынках, прочитали толстые книжки об инвестировании, может даже создавали модели с учетом прочитанного. И наверняка знают как правильно оценить полученные модели с точки зрения ML. Разобраться с этим необходимо, чтобы не было мучительно больно, когда прекрасная модель на бумаге, превращается в генератор убытков при практическом использовании. Однако оценка эффективности модели ML на бирже, довольно специфическая область, тонкости которой раскрываются только когда вы погружаетесь в процесс. Под процессом я понимаю трейдинг с частотой совершения сделок гораздо чаще «пара сделок в месяц, в течении полугода». Существует множество подводных камней, о наличии которых вы даже не подозреваете, пока смотрите на трейдинг извне. Я попробую вольно изложить свои мысли на данную тему, я покажу метрики, условно разбив их на 3 группы и обьясню их смысл, покажу свои любимые и о чем нужно подумать, если вы хотите практически использовать модели, а не повесить их на стеночку в красивой рамочке. Представлю метрики в табличном и графическом виде, показав их взаимосвязь. Сравню показатели моделей в виде «какую модель выбираю я» и «что выбираете вы» и кто тут больше ошибается. Для любителей кодов, приведу реализацию всего подсчитанного, так что можно сразу применить прочитанное для оценки своих моделей. Я не буду тут говорить о борьбе с переобучением или регуляризации или стратегиях кросвалидации — оставлю это на потом. Здесь мы начинаем со списка уже спрогнозированных сделок, с помощью transformer о которой я писал в прошлой статье. Поэтому данный текст будет его логическим продолжением, где я оценю модель с точки зрения ее практического использования.

( Читать дальше )

Lvg

Dd

Ww

Cc

Проявлением наибольшего милосердия в нашем мире является, на мой взгляд, неспособность человеческого разума связать воедино все, что этот мир в себя включает. Мы живем на тихом островке невежества посреди темного моря бесконечности, и нам вовсе не следует плавать на далекие расстояния.

На Смартлабе что-то активизировались дискуссии о возможности использования методов машинного обучения (нейронных сетей как их частный случай) в трейдинге. У меня сложилось ощущение, что дискутирующие совсем не понимают что это за зверь такой — машинное обучение (ML) и зачем он нужен.

Предположим есть задача: зная силу, с которой ударяют по мячику и его массу описать его движение. Можно ли эту задачу решить методами ML? Ну, наверное можно, но не нужно :) Классическая механика сделает это куда быстрее, надежнее, точнее. Или же пример поближе: зная себестоимость, среднюю цену продажи и объем продаж можно предсказать валовую прибыль.

А что если мы не знаем массу мячика? Ну, можно провести один или несколько опытов, а по ним уже, зная (из механики) уравнения движения, её определить, чтобы в дальнейшем использовать для предсказаний. Опять пример поближе: узнав маржу по первому кварталу, и зная производственные планы, можно прикинуть прибыль за год (привет, СарНПЗ)!

( Читать дальше )

Про искусственный интеллект, который идет совместно с нейронными сетями. Пишут очень многие. И я не понимаю. Почему на них ставят такие большие ожидания? Все это идет под соусом — вы подсовываете ИИ задачу. Он сам находит решение. Так ли это на самом деле? Я с удовольствием послушал описание. Что же это такое — нейронные сети. Но.
Мое понимание  — люди создали определенные алгоритмы поиска оптимального решения без полного перебора всех вариантов. К примеру. Возьмите бумагу в клеточку. Нарисуйте точку старта и финиша. Обведите клетки как преграды для маршрута. И найдите самый оптимальный маршрут. Если решать в лоб, то вы создадите тысячи вариантов маршрутов. Посчитаете, сколько затрачено переходов. И сравните их все. Это займет слишком много времени. И так понятно, что маршрут по кругу не будет оптимальный. Поэтому создается алгоритм, который и найдет оптимальный минуя полный перебор. В основе нейронных сетей есть понятие значимости (вес или что другое) Т.е. в нашей задаче — это ответ на вопрос — «Мы приближаемся к финишу, или нет?». Если мы раскрасим поля по разному весу перехода. Мы усложним задачу. Но сам алгоритм не изменится. При любом варианте алгоритм получают при знании правильного решения и тестировании разных вариантов. Если решения задачи нет — то ничего нет и не будет.

( Читать дальше )

Меньше слов, больше дела.
Серия тик-ток, от астролога.




( Читать дальше )

Прошлый пост был на модную тему, но с пфуком на выходе, для баланса запостю результаты использование старого доброго градиентного бустинга, с не пфуком на выходе. Использовал 6 наиболее ликвидных фишек, что не просто, фишки маловолатильные.  Период с 2006 по 2020 год, по схеме: прогноз 2010 года на основе данных 2006-2009, прогноз 2011 год на основе 2006-2010, 2012 на основе 2006-2011… итд. 
Так как показатели roc_auc_score, confusion_matrix, accuracy_score нас как трейдеров мало интересует, нас интересует потенйциальный гешефт, переводим сразу все в финансовые результаты, а именно профитность сделки. 
Получилось что то вроде этого:


Это все сделки, но их надо почистить, убрать сдвоенности. Допустим у вас за день 10 сделок выскочило, в разное время, но находясь в момент срабатывания первой сделки вы не в зная будут ли сегодня еще сигналы, совершаете сделку сразу на все. Или например на 2 фишки сработал сигнал одновременно. Но реально то сделка будет одна, так к чему нам вместо 1 реальной сделки рисовать две? Поэтому в следующей таблице уже представлены не сделки, а средняя профитность дней и их количество. 

( Читать дальше )

Нейролинк  — компания Илона Маска, которая разрабатывает и производит имплантируемые нейрокомпьютерные интерфейсы.

 

Цель компании по словам Маска — это усовершенствование людей. И как первый шаг к этому, Маск решает проблему парализованных людей. С помощью нейроинтерфейса, глухие люди смогут слышать — музыка будет идти сразу человеку в мозг, парализованные ходить — нейроинтерфейс доставит сигнал о том, что человек хочет пойти и так далее.

 

Ранее Маск в своих интервью высказывал опасения по поводу развития искусственного интеллекта. По его мнению ИИ неизбежно будет развиваться и в какой-то момент это развитие достигнет такой точки, что мы уже станем менее развитым жителем планеты, а это опасно для нас. Поэтому единственным решением, по мнению Маска, является кибернетизация людей, чем он и занимается с Нейролинк.

 

К этому времени проводились исследования на животных и планируются исследования на людях. 

 

Вообще история нейроинтерфейсов идёт с 1960 года, когда Грей Уолтер вживил электроды в кору головного мозга людей и они смогли переключать слайды на проекторе силой мысли. Но все подобные технологии на данный момент требуют сложнейшей операции на головной мозг и используются только в медицинских целях, так как операция очень дорогая и соответственно в бытовых целях не интересна для людей.

( Читать дальше )