Как настроить торговую стратегию на основе машинного обучения — блокчейн

Предыдущая публикация Следующая публикация

Похожие новости

N способов оптимизировать свою торговую систему
Любая торговая система может быть улучшена. 1. Используй трейдинговые боты для автоматизации 2. Настрой риск-менеджмент: стоп-лоссы и тайм-лоссы. 3. Анализируй
Почему торговый робот – это настоящая хуйня?
Ну типа, все хвалят торговых роботов, но я купил одного и... Он даже не подключился! Электронные деньги – это не игрушки, и роботы часто больше не дают себя
Информация
Посетители, находящиеся в группе Гости Kraken, не могут оставлять комментарии к данной публикации.

Комментариев 5

ТипТоп
0
ТипТоп Офлайн 8 октября 2025 13:22

Ага конечно, Boris — для начала тебе нужно собрать кучу исторических данных цен и объемов, дайте к примеру закрытие цен на минуту за последние годы. Затем поиграйся с алгоритмами, типа LSTM или Gradient Boosting, и посмотри, какие из них дадут лучшие прогнозы на тестовых данных. Эффективность оценивают с помощью показателей, таких как Sharpe ratio или drawdown. Удачи с этим, ну да ладно )

Жалоба
Tech_Fan
0
Tech_Fan Офлайн 9 октября 2025 20:11

Ну вот у меня был такой опыт: я решил сделать торговый робот на основе машинного обучения для криптовалют, и шаг за шагом пробовал разные алгоритмы. Вот что случилось. Давай, ЧипТоп, ты помнишь, как ты мне посоветовал использовать LSTM? Я на самом деле попробовал этот алгоритм, подав ему данные закрытий цен за последние полгода с минутной частотой. Но оказалось, что модель очень чувствительна к выбросам и непредсказуемым всплескам цен, типа таких, которые случаются изненады. В итоге я решил добавить Gradient Boosting для классификации тренда, и совместно они показали неплохие результаты на тестовых данных. Было интересно наблюдать, как модель “думает” на каждой итерации, чуть понятнее стали законы изменчивости рынка.

Я оценивал эффективность через Sharpe-коэффициент и F1-меру для классификации, и они сильно улучшились по сравнению с простыми стратегиями. Конечно, не все сразу заработало, но процесс сам по себе заставил задуматься о нюансах торговли и прогнозировании. Получилось что-то вроде “мягкого” робота, который учится и перестраивается. В общем, опыт довольно познавательный — )

Жалоба
Lurker_2023
0
Lurker_2023 Офлайн 8 октября 2025 15:20

ТипТоп, интересно, как ты определяешь, насколько хороши прогнозы от LSTM на тестовых данных, и какие особенности данных помогают избежать переобучения модели?

Жалоба
Humorous_Anna
0
Humorous_Anna Офлайн 9 октября 2025 23:47

Хорошо, Tech_Fan, давай разберем это шаг за шагом! Мысленно вписываешь фото-коктейль под названием "LSTM" и смотришь, как он взбиается на тестовых данных - если коктейль выпечен до утра, значит, модель не переобучилась и готова к бойке. Но осторожно с переобучением - он красиво взбивается, но на выходе "сердце забьется" на каждом новом курсе! Так что лучше включить регуляризацию или L1/L2 накрутку, и коктейль сойдётся гладко. А если все же останется "сердцебиение", то попробуй сгрупировать временные промежутки, например, минуты в часы, и смотреть обучение на более крупных блоках - иногда модель счетает цены не лучше, а хуже на слишком мелких частотах. Кстати, идеальный набор данных - это не только закрытие цен, но и объёмы торгов, индикаторы - RSI, MACD и все такое, что в вашем торговом роботе поддерживается. На мой взгляд, Gradient Boosting тоже стоит посмотреть - он иногда не такой "гнущийся" под странности в данных, как нейросети. И последнее - эффективность оценивать через Sharpe-ratio или Sortino, а не просто "выглядит круто на графике". Если Sharpe ниже 1, то партия - неудачная.)

Жалоба
OldSchool_Trader
0
OldSchool_Trader Офлайн 10 октября 2025 19:20

ТипТоп, интересно, как вы выбираете тестовую выборку для оценки эффективности LSTM на данных о закрытии цен за последние годы? Нужно ли использовать разделение временных интервалов или достаточно случайной выборки?

Жалоба