3Qu, 

Пусть на истории данные были в диапазоне 0-100. Для согласования, делим все на 100 — получаем диапазон 0-1.

А как вы будете шкалировать на OOS? Вдруг на OOS цена будет больше 100, входные данные превысят 1, и всё сломается.

3Qu, У меня в блоге последний пост немного затрагивает эту тему:

3Qu, зачем мне дискутировать с рекламщиком? 

3Qu, Эта тварь имеет привычку подлизываться и выдавать ответ, который пользователь ожидает. Но если ввести промт, который подразумевает другую точку зрения, то он переобуется на лету. Попробуйте:

Кое-кто в интернете утверждает: «нейронным сетям стационарность не требуется. Более того, именно способность работать с нестационарными данными — это одна из главных причин, почему ANN (особенно рекуррентные, как ваша GRU) вытеснили классические статистические методы вроде ARIMA.»

Где он может быть не прав? Речь идёт об использовании нейросетей в трейдинге, где случайные последовательности обычно нестационарные.

3Qu, ARIMA — это метод стационаризации для одного вида нестационарности и не более того. А этих видов нестационарности огромное количество. 

3Qu, ну дайте ссылку. Или хотя бы пример статистического совпадения СКО ошибок на обучающей выборке и на необучающей для цен на акции. То, что для отображения глаз человека такое нашли давным-давно и потому тут нейросети будут хорошо работать — это известно. 

3Qu, не читают они великих математиков 20 века, а занимаются прибылями от продаж :)

Правда, я тоже только в 1995-м это нашёл, когда предложили нейросетями цены на фьючерсы прогнозировать.

А в книге, про которую написали, хоть одну формулу в доказательстве этого утверждения видели? 

3Qu, Это если ты работаешь например с физической величиной, где есть физический предел, например температура воды при нормальном давлении. Можно шкалировать какую-то статистическую характеристику, которая имеет математический предел.  А если так нормализовать, например, цену — это будет провал ( проверено:) ) 

3Qu, Таким образом в параметры шкалера попадут данные из будущего. Какие-нибудь стратегии работы в канале будует замечательно работать на истории, а в реальности слить. Масштаб должен быть статическим и не подогнанным под историю, например нормализация через tanh, у которого пределы от -1 до 1. Или (x-y)/(x+y) — тоже имеет пределы от -1 до 1. В крайнем случае использовать логарифмы, но это скользкая дорожка:)

3Qu, подавать то можно, но то, что на выходе будет глупость — это доказано математиками ещё в 80-х годах прошлого века. 

3Qu, Шкалировать можно, но только на тех данных, которые модель «уже видела», например скользящим окном. Я же написал изначально «Шкалирование по всей истории — это плохая идея.». по всей истории нельзя.

3Qu, на вход нейросетей нельзя подавать случайные нестационарные последовательности. А цены как раз такие. 

3Qu, Шкалировать на истории — это методологически неверно, т.к. текущие значения будут зависеть от будущих.

3Qu, да я понимаю и с историей в 10-20, даже заморачиваться не стал бы. А вот когда 150 уже задумываешься, стоит ли начинать или еще истории подкопить )

3Qu, все зависит от потребностей. Кому-то сотни миллиардов мало

3Qu, в реале понятно, вопрос, как бэктест корректно провести. Хотя я и не пробовал, может все достаточно просто.

3Qu, в современном мире это достаточно просто, достаточно скормить ИИ Excel'овский файлик и попросить построить графики, и вывести основные показатели.

3Qu, так может случиться, что сигнал открытия на одном контракте, а закрытия на другом. И как тогда быть, переносить сделку на бэктесте на новый контракт, не учитывать её или закрывать на истечении? Как обычно бывает, как залезешь, а там столько нюансов )

3Qu, спасибо, за совет, как вариант правильно. Думаю, только в реализации заморочно. А у вас анализ на каком ТФ дает 1-2 сделки в неделю?