Вернее так: что я увидел, обучая модели. Всякие подобные темы любят поднимать трейдеры, они отлично располагают для пространных рассуждений о рынке и жизни, а я это, можно сказать, увидел наглядно. В общем, наблюдения не что-то гениальное, мной открытое, не грааль, но я это наблюдаю.

Что я делаю:

Играюсь с моделями ML, играюсь гипер-параметрами – параметрами самих моделей непосредственно и моими какими-то входящими параметрами. Смотрю как меняются результаты в зависимости от этих параметров.

Что я увидел:

1. Где-то закономерностей объективно больше, где-то объективно меньше. Если прочесываешь график моделями (с разными параметрами) по мат. ожиданию OOS результатов совокупности моделей и по их распределению видно, что из каких-то графиков закономерности извлекаются на ура, а из каких-то со скрипом. В данном случае график это пересечение по тикер-TF-временной отрезок. Да даже если брать только тикер, некоторые, что называется, палку воткни, она зацветёт, а в некоторых надо очень постараться, чтобы нащупать нормальные закономерности.
2. Похоже, действительно легче прогнозировать на короткие интервалы. Но эта закономерность выглядит не так, как её обычно преподносят. Обычно в ходу какая-то такая версия: чем ближе, тем легче, типа на минуты легче, чем на часы и т.д. Я бы сказал, что подтверждение находит скорее следующее: чем больше отношение горизонта прогноза к длине промежутка времени, данные из которого непосредственно участвуют в прогнозе. Ну т.е. если ты принимаешь решение по 50 свечам, то на 2*50 можно прогнозировать с большей точностью (winrate), чем на 10*50 и т.д. При этом в другом контексте, например, если ты ушел на TF выше, ты эти 10*50 сможешь спрогнозировать уже с хорошей точностью.
3. Объективно раньше было зарабатывать легче. По ошибке из большого промежутка времени сначала какое-то время брал для обучения данные не самые свежие, а самые древние и удивлялся очень приличным результатам моделей, на свежих данных моделям можно сказать драматически сложнее извлекать закономерности.

Весь финансовый сектор для оценки рисков использует модель VAR. Но если вы хотите обыгрывать ваших противников, или, по крайней мере, не проигрывать им, то ответ должен быть несимметричным. И весь реальный бизнес давно это понял и использует модель CFAR.
И эта модель прекрасно подходит для инвесторов и хеджеров, которых волнует в первую очередь денежный поток. И эту модель на бирже тщательно замалчивают, поскольку эта модель и позволяет использовать неэффективность биржи, а именно денежный поток, который генерируют деривативы при падении рынка акций.

Ниже трагическая реальная история. Решил написать, чтобы предупредить о возможности такого сценария. Никакие названия не будут раскрыты даже в личке.

    Спорщики, как обычно, это «физики и лирики». В нашем случае – математики и нормальные люди))). Я себя отношу и к тем и другим, как в анекдоте: умные налево, красивые направо, а мне что, разорваться?)))

    Квантовая физика, лежащая в основе моей первой специальности (физика твердого тела), и являющаяся идеалом случайных процессов, должна бы, по идее, поместить меня в лагерь сторонников случайных блужданий, если брать их строгое математическое определение: Если невозможно предсказать точно знак следующего приращения цены, значит этот процесс случайный, а сумма случайных приращений есть, разумеется, величина случайная, а значит и весь процесс ценообразования можно определить как случайное блуждание. Вроде, все логично и спорить тут не с чем… Но «что-то меня терзают смутные сомнения» © )))

Стоит ли покупать сразу на все сумму, или же стоит усреднять позицию, когда мы говорим про долгосрочное инвестирование? Интуитивно кажется, что усреднение это лучшее решение, но так ли это? Ответ на этот вопрос дал канадский экономист Бен Филекс в одной из последних своих работ, где проанализировал результаты обоих этих подходов на исторических данных. Результаты этой работы мы рассмотрим в этом видео, а так же поговорим про слабые места выводов этой статьи и про конкретные решения.
Если понравилось видео, буду благодарен за +

Без опыта работы в геймдеве можно претендовать на вакансию джуна в отделе геймдизайна.
Но не в любой компании.
Если работодатель мечты не готов нанимать совсем «нулевых» людей,
хороший путь в геймдизайнеры — через работу в отделе саппорта/комьюнити или в QA.
В этих отделах от джунов обычно не ждут каких-то узких навыков,
но работа в них дает достаточное представление об индустрии, знакомит с проектами компании.
В итоге можно узнать, какие обязанности есть у геймдизайнеров, учиться у коллег и перейти в отдел геймдизайна.
Это дает преимущество перед сторонними соискателями
— кандидат уже прошел этап знакомства с компанией и знает внутреннюю кухню проекта.

Независимо от того, есть ли у кандидата какой-то опыт в геймдеве,
работодатели ценят проактивность и попытки развиваться в выбранном направлении.
Нужно следить за рынком, писать разборы игр, читать книги и статьи,
знать основную терминологию.
Желательно пройти вводные курсы по геймдизайну.
Большим плюсом будет знание английского, сценарного мастерства и техническое образование.