Programowanie genetyczne

Dzieki za linka -- fajnie, ze ktos sie tym u nas zajal.

Facet podaje troche malo informacji, nie wiadomo jakie metody Machine Learning konkretnie stosuje. Szczegolnie ciekawe wydaje sie to co pisze o optymalizacji, a konkretnie jak czesto to robi. Mega czesto...

Zgadzam sie co do tego, ze nie ma sensu szukac parametrow globalnych, a reoptymalizacja jest nieunikniona.

W kwestii przeoptymalizowania, to co mozemy zrobic, to dazyc do maksymalnego upraszczania strategii (np. nie wiecej niz 3-4 parametry). Unikam tez egzotycznych/magicznych oscylatorow i wskaznikow -- preferuje proste rzeczy, typu operacje na cenach, tak, ze bylbym w stanie w glowie niemal policzyc sygnaly.

I to co juz wspominalem, w gruncie rzeczy rzecz najwazniejsza wedlug mnie: dywersyfikacja portfela, gdzie mamy strategie o niskich wspolczynnikach korelacji (max +0.1, 0.2). Rozpraszamy ryzyko, wygladzamy linie kapitalu. I w gruncie rzeczy wspolczynnik korelacji to rzecz wzglednie stacjonarna na rynkach finansowych (odchylenia wracaja do sredniej). Strategie zachowuja srednii wspolczynnik korelacji na zblizonym pulapie latami.

Ja na przykład nie jestem pewien, czy w każdym przypadku nie należy szukać parametrów uśrednionych. Być może właśnie w takim przypadku, gdy system gra na bardzo krótkich interwałach – owszem, coś można kombinować. Hossa/bessa potrafi trwać kilka miesięcy/lat, w tym czasie setki transakcji – wtedy można pomyśleć, czy w czasie ogólnej hossy nie warto dostosować parametrów. Ale np. w moim przypadku – świeczek tygodniowych – nie widzę sensu. Nawet wczoraj próbowałem zrobić prostą przymiarkę typu "w czasie hossy łapiemy wybicia z krótszego okresu, w czasie konsolidacji czekamy na wybicie z dłuższego okresu" – nic z tego nie wyszło. Nie widzę też sensu wykonywania walking testów out of sample (brzmi jak herezja, ale będę się upierał – oczywiście tylko w moim przypadku, w innej strategii może mieć to sens).