Нейронные сети и генетические алгоритмы

Теперь понятно. Конечно можно и нужно прикинуть возможность арбитража, а потом уже строить стратегию, учитывая накладные расходы, время и стоимость удержания позиции.

Где например? Я не нашел ни одного. И причём тут "индикатор" вообще? Нужен алгоритм выявления валидности законовмерности.

Короче секрет. Ок.

Прошу прощение, а причем тут нейронные сети и ген-оптимизация, к пользовательским алгоритмам тестирования? Это свободное ассоцирование или есть взаимосвязь?

Есть конечно, взаимосвязь вообще есть всего со всем, вопрос только в силе и структуре.

Многое прочитал про датамайнинг, НС, генетику. Размышлял, крутил в матлабе, и пришел к таким выводам.

1. (очевидный) Для успешного применения НС и генетики необходимо ПОЛНОЕ и ЧЕТКОЕ знание алгоритмов, применяемых при анализе. Например: в известных книгах типа Энциклопедии торговых стратегий Кац и МакКормик, Нейронные сети и финансовые рынки Бэстенса, Ван Дер Берга, Вуда написана всякая лажа. Авторы либо совершенно не разбираются в НС (вряд ли), либо успешно притворяются тупыми. Выводы о том, что НС применима (не применима) для решения задач, решать которые она не предназначена, на уровне книжки "Что такое хорошо, и что такое плохо". Для дилетантов писалось за гонорар. Про применение карт Кохонена вообще смешно читать - как эту шнягу использовать, когда это проекция многомерного пространства на двухмерное с огромной потерей информации. Три - четыре измерения еще можно как-то покрутить, а больше? а стабильность результатов? а как вектора по длине сравнивать, если они нормируются? И самое главное, в СОТ близкое расположение точек НЕ ЗНАЧИТ, что соответствующие им вектора также расположены рядом. Еще видел библиотеку для вейвлет-анализа по Хаару со стоимостью сколько-то там сотен долларов и рекламой типа основное достоинство Хаара в том, что он не заглядывает в будущее и поэтому разложение правильное (по фэншую по ходу). И ничего, что код по Хаару в Вики лежит и занимает пять строчек в С#, а набор коэффициентов при преобразовании в точности соответствует набору N скользящих средних с длиной периодов 2^N. Так можно до бесконечности продолжать. Из толкового именно по рынку нашел совсем немного. Вывод один - нужно учиться, читать, анализировать.
2. Необходимо НЕСТАНДАРТНОЕ применение методов НС и ГА. Например, как-то я узнал, что методу главных компонент соответствует модель НС с узким горлом, причем в отличие от МГК опорные вектора в НС нелинейные. Т.о. задача сжатия входного вектора может эффективно решаться с помощью НС. Также, читал о том, что для построения фитнес - функции можно использовать подходы генетического программирования (мне самому никогда бы не пришло в голову такое, не согласен, но в качестве примера нестандартного подхода сгодится). Обучение НС с помощью ГА вообще максимально управляемое. Можно включить в фитнес-функцию практически любые требования к структуре и свойствам НС, а не только минимизацию ошибки распознавания. Т.е. нужно смотреть на эти методы шире, глобальнее, но при этом не пытаться получить от них то, чего они не могут.
Классические методы НС и ГА обычно не дают впечатляющих результатов, возможно, из-за этого они и являются классическими. Никто не хочет палить продвинутые технологии анализа, пока они работают. Значит, необходимо проявить фантазию и самому придумать адекватные методы, которыми уже никто и никогда не заставит поделиться с другими. Ну и конечно дело еще и в том, что математики, которые в основном и разрабатывают методы анализа, народ придирчивый и скептичный. Пока нет строгого математического доказательства работы метода, автор, его предложивший, будет в их сообществе чем-то типа мишени для дартс. Ну не любят люди, когда каждый прохожий в них дротики втыкает. Частью поэтому и молчат о своих разработках.

Добрый день!
Я смотрю до трейдеров, наконец-то, стало доходить, что необходимо абсолютно ясное пониманиемание применяемых алгоритмов тестирования и оптимизации.
У каждого подхода есть свои плюсы и недостатки. И без понимания этих нюансов можно получить "бредятину" в итоге.
По поводу "адекватных методов". Все эффективные алгоритмы уже давно известны и подробно изучены. Мне кажется все дело в обычной лени) Люди не любят думать, не хотят ни во что вникать и разбираться.
Куда проще скачать какую-нибудь библиотеку, подать на вход какую-нибудь ерунду, получить такую же ерунду на выходе, придать этому смысл и успешно слить бабло на бирже. А потом с уверенностью говорить, что все эти алгоритмы полная хрень)
"Техника в руках идиота - груда металлолома" [laugh]

Здравствуйте.

То же самое я могу сказать, глядя на Вас. Ваши статьи по анализу, тестированию и оптимизации впечатлили прагматичным и системным подходом, а также четкими знаниями предмета. Спасибо за них.
Вы еще не пробовали генетику в своем оптимизаторе? Возможно она будет значительно лучше Монте-Карло по вычислительным затратам, хотя ее сложнее реализовать. В целом, все опять таки упирается с прагматичность - если Монте-Карло работает 2 сек., а генетика 1 сек., то нечего тут и огород городить. Тем более, что поиск идет всех минимумов/максимумов, а не только глобального.
Генетика в целом нужна для реально больших задач. Например, для автоматизированной разработки самих стратегий.

Вот мне интересно)
Как вы определяете, что Генетика быстрее Монте-Карло?
Почему она "быстрее"?
Чем вообще отличается Монте-Карло от Генетики?
И как вы планируете искать в многоэкстремальном пространстве лучшие стратегии с помощью Генетики?
Или, к примеру, как исследовать с помощью Генетики пространство на кластеризацию?
И т.д. и т.п.

Интересный вопрос. Полагаю, что ГА - это частный случай М-К для решения задач большой размерности, когда оптимизация одной части переменных слабо влияет на оптимизацию другой части (других частей), в связи с чем поиск идет параллельно по нескольким направлениям, после чего они объединяются в одном решении.
Как исследовать пространство на кластеризацию... Слишком общий вопрос. Про кластеризацию с помощью ГА читал толковые статьи, есть в инете. Но все в конечном итоге зависит от задачи, которую преследует кластеризация.

ссылка на Википедию

Ничего особенного в этом методе нет.
Вы приходите в магазин и видите, что на прилавке лежит селедка в масле(Монте-Карло), в майонезе(Генетические алгоритмы), селедка мелко порезанная с укропом(Рой частиц) и здоровенная банка цельной слабосоленой сельди(Метод перебора). Вы считаете, что с майонезом сельдь самая вкусная, а мне нравится просто в масле. Но не важно, что мы там думаем все равно это обычная селедка.
И здесь тоже самое, в основе - нелинейная стохастическая оптимизация. Кроме Полного перебора.
Те же проблемы с локальными экстремумами. Кстати, в моем алгоритме таких проблем нет) И прочее, прочее, прочее...
И с чего вы решили, что он удобен для больших размерностей? Почитайте, к примеру, комментарии в конце статьи на Википедии.