Algo

Доброго времени суток

вечером стараюсь гулять у дома, вообще специфика системостроительства в моем исполнении подразумевала годы интраверсии и малоподвижности, и переехал я с весом в 101 кг, за год усиленных гуляний и ограничения питания, нормализовал немного


( Читать дальше )

Доброго дня.

Hello world. 15й год на рынке. Путь и текущее состояние. 
Скальпинг и путь к системостроительству, продолжение
Нужно просто взять обычную... 

Утро, стандартно, школа, кофейку заехал выпить

для меня динозавра забавно конечно, криптой за кофе предлагают)

продолжаю, приехал на обучение в Псков, поселился в центре города

( Читать дальше )

Добрый вечер

начало smart-lab.ru/blog/946150.php
в продолжение smart-lab.ru/blog/946381.php

Утро, дочу в школу, далее хозяйственные дела, купить таблетировнную соль, для регенерации смолы в системе умягчения воды


( Читать дальше )

закономерность оттестированную на многих годах и заработать.

в продолжение smart-lab.ru/blog/946150.php

Добрый день, мне тут коллеги в одном чатике накидали заголовков, сказали я ничего не понимаю, вот тебе список)

Отвез дочу в школу, приехал

погонял пришлых котов у дома,

( Читать дальше )

Доброго времени суток, коллеги.

В прошлом году я реализовал 10 летнюю мечту и перебрался к средиземному морю.

Было много бытовых хлопот,

( Читать дальше )

И снова здравствуте! 

Сегодня рассмотрим Omega Ratio.

Омега-коэффициент – это современная метрика, которая используется для оценки рисков и возвратов в финансовых и инвестиционных стратегиях. Этот инструмент вышел за рамки традиционных подходов, таких как коэффициент Шарпа, предлагая более точное и надежное измерение. Здесь приведены три ключевые причины, почему Омега-коэффициент столь важен:

1️⃣ Полная Картина Риска и Вознаграждения: В отличие от других метрик, Омега-коэффициент учитывает все возможные исходы инвестиций, включая те, которые маловероятны. Это позволяет инвесторам получить более глубокое понимание потенциальных рисков и возвратов.

2️⃣ Учёт Асимметрии Распределений: Финансовые возвраты часто имеют асимметричное распределение. В то время как большинство метрик основано на предположении о нормальном распределении, Омега-коэффициент может адекватно обрабатывать асимметрию, что делает его более точным.

3️⃣ Персонализация Толерантности к Риску: Омега-коэффициент позволяет инвесторам учесть их собственную толерантность к риску, таким образом, индивидуальное представление об «оптимальной» инвестиционной стратегии может быть легко включено в анализ.

( Читать дальше )

Привет!

Кто уже знаком в Probabilistic Sharpe Ratio отзовись! :) 

А кто еще не знаком, тоого приглашаем к прочтению...

🎥 Наше последнее видео посвящено PSR, инструменту, который расширяет границы обычного коэффициента Шарпа, учитывая исторические доходы, продолжительность деятельности и количество испытаний стратегии.

🔎 PSR оценивает вероятность того, что истинный коэффициент Шарпа превышает заданный порог. Он помогает отсеивать ложные срабатывания и определять стратегии, которые соответствуют нашим ожиданиям, учитывая риски.

Чем же он хорош и где нап пригодится:

• Объективный анализ: По сравнению с традиционным коэффициентом Шарпа, который измеряет прошлую производительность, PSR предоставляет более объективный анализ, т.к. он учитывает не только прошлые данные, но и количество испытаний, которые были выполнены для поиска стратегии.

• Избегание переобучения: PSR может помочь избежать «переобучения», ситуации, когда стратегия торговли, кажется, работает хорошо на исторических данных, но плохо справляется с новыми данными. Это происходит потому, что PSR учитывает число испытаний при оценке производительности стратегии.

( Читать дальше )

IS – in sample (оно же обучающая выборка), OOS — out of sample (оно же тестовая выборка). Ну или ближе к обычным алго – IS – там, где оптимизируешь стратегию, OOS – данные, которые стратегия ещё не видела.

 

 

Какое соотношение выборок лучше. Просто сейчас накапливаю некоторые данные (которые иным способом не получить), а любопытство оно же такое, что нельзя просто так взять и подождать 3 месяца и только тогда начать с данными работать, поэтому начал работать с данными чуть когда их было ещё совсем мало, потом продолжил когда их было просто мало, продолжил когда стало чуть побольше и т.д., сейчас уже вполне достаточно.

 

Из-за того, что несколько раз к данным подступался при разных объёмах этих самых данных, несколько выпятился наружу вопрос достаточности данных в целом и в частности вопрос соотношения IS/OOS в целом.

 

Когда данных совсем мало – без разницы как делить – не хватит ни чтобы обучить (терминология у меня ML’ная, но, по сути, без разницы, ML или классические алгоритмы) ни чтобы оценить.

( Читать дальше )

Pq

К предыдущему посту с тоже конкретным ML вопросом получил отличный фидбек от толковых комментаторов, превзошло мои ожидания, очень круто, ещё раз всем спасибо! 

Уверен, что и по этому вопросу людям будет что сказать.


В общем использую ML для нахождения закономерностей в осмысленных признаках — так можно кратко описать мой подход). Так вот часто наблюдаю такие эффекты и не сформировал пока четкой позиции по их интерпретации, возможно, кто-то в эту сторону уже копал и как-то дальше продвинуться, буду рад почитать какие-то инсайты или просто рассуждения на эту тему. Добро пожаловать в комментарии опять.


Суть явления: всегда оцениваю зависимость между метрикой качества сигналов и вероятностью, выдаваемой моделью по сигналу. Хорошие признаки хорошая модель построит монотонно растущую зависимость. Может быть хаос вместо монотонного роста — значит модель не вывезла — или модель не алё, либо признаковое описание не але, либо слишком много признаков для такого кол-ва данных и т.д. Но часто даже если видно, что модель нащупала смысл в данных, начиная с какой-то вероятности наблюдаются разные явления.

( Читать дальше )