Ma il buy and hold (specie in europa) conviene?
- Creatore Discussione marofib
- Data di Inizio
marofib
Forumer storico
scrivo qua che poi se mi servono le ritrovo, la ricerca dei forum e' una bomba meglio di cortana che e' troppo curiosa
la correlazione di oggi 0.28 e rotti era oltre i 2 sigma , circa 4 casi su 100......bisogna tagliare! non si puo' rischiare che si incolonnino
da 0.12 (mezzo sigma , la media e' 0.0711 ) taglio in proporzione....oggi avrei segato bene
il var medio e' 2, sopra 1 devo tagliare...oggi era 1.2 mi pare
quindi precedenza alla correlazione.....se maggiore taglio....se dopo aver tagliato il var e' ancora superiore a 1...taglio ancora in proporzione, regole chiare...niente da discutere e incazzarsi dopo
la correlazione di oggi 0.28 e rotti era oltre i 2 sigma , circa 4 casi su 100......bisogna tagliare! non si puo' rischiare che si incolonnino
da 0.12 (mezzo sigma , la media e' 0.0711 ) taglio in proporzione....oggi avrei segato bene
il var medio e' 2, sopra 1 devo tagliare...oggi era 1.2 mi pare
quindi precedenza alla correlazione.....se maggiore taglio....se dopo aver tagliato il var e' ancora superiore a 1...taglio ancora in proporzione, regole chiare...niente da discutere e incazzarsi dopo
marofib
Forumer storico
ci ho pensato stanotte, devo inserire + variabili possibili tipo il vix, tutti var di cui dispongo, correlazione ecc quindi non posso trovare la quadra a mano
siccome voglio un numero preciso sulla probabilita' dell'evento contrario non mi resta che provare col machine learning, ora vedo come metterlo su
ho il problema che ho pochi dati, 2.5 anni in quanto devo partire dallo storico + corto...questa e' la rogna + grossa quando si prova con sti articoli...quindi devo trovare l'algoritmo (ce ne sono centinaia) meno bulimico
siccome voglio un numero preciso sulla probabilita' dell'evento contrario non mi resta che provare col machine learning, ora vedo come metterlo su
ho il problema che ho pochi dati, 2.5 anni in quanto devo partire dallo storico + corto...questa e' la rogna + grossa quando si prova con sti articoli...quindi devo trovare l'algoritmo (ce ne sono centinaia) meno bulimico
marofib
Forumer storico
per dire come l'evento di ieri non sia stato banale
sistema ottimizzato, se c'e' qualcosa da correggere...corregge
il trade e' ancora tutto li', e' un osso che deve sgranocchiare per non perdere rendimento da altre parti
ma soprattutto e' stato l'evento peggiore in assoluto, tutto in un giorno tra l'altro
non si vede l'ultima barra ma e' quella di ieri, qui e' con leva 12....20% in meno con leva 10 che sto usando
il var 99% era -1.97, per dire dove si e' cacciato
pero' gli elementi per tagliare sto trade erano ben visibili, quindi c'e' rimedio
sistema ottimizzato, se c'e' qualcosa da correggere...corregge
il trade e' ancora tutto li', e' un osso che deve sgranocchiare per non perdere rendimento da altre parti
ma soprattutto e' stato l'evento peggiore in assoluto, tutto in un giorno tra l'altro
non si vede l'ultima barra ma e' quella di ieri, qui e' con leva 12....20% in meno con leva 10 che sto usando
il var 99% era -1.97, per dire dove si e' cacciato
pero' gli elementi per tagliare sto trade erano ben visibili, quindi c'e' rimedio
Ultima modifica:
marofib
Forumer storico
un'altra giornata da calendario?
|
|
|
|
marofib
Forumer storico
ho finito la parte dove preferirei spararmi su un piede...da ora e' + divertente
se passa per di qua uno studente pratico in ML magari trova a colpo l'algoritmo giusto (lascia stare neurali ecc servirebbero troppi dati e troppi problemi di overfitting)
l'ultima variabile e' il rendimento, la prima l'esposizione sul mercato...quella che devo ottimizzare
bisogna star lontano dai pericoli
siccome tagliando rischi, cmq si perde rendimento....voglio compensare aumentando la prima variabile dove ci sono meno rischi...ma aumentarla di poco...max esempio 20%....cmq non e' indispensabile...l'importante e' tagliare
un attimo ho un piccolo errore sul vix
se passa per di qua uno studente pratico in ML magari trova a colpo l'algoritmo giusto (lascia stare neurali ecc servirebbero troppi dati e troppi problemi di overfitting)
l'ultima variabile e' il rendimento, la prima l'esposizione sul mercato...quella che devo ottimizzare
bisogna star lontano dai pericoli
siccome tagliando rischi, cmq si perde rendimento....voglio compensare aumentando la prima variabile dove ci sono meno rischi...ma aumentarla di poco...max esempio 20%....cmq non e' indispensabile...l'importante e' tagliare
un attimo ho un piccolo errore sul vix
Ultima modifica:
marofib
Forumer storico
un po' + lunga di quello che pensavo
il target e' gia' ottimizzato e non sbagliando quasi mai sono pochi i campioni con errori
per andare bene le tecniche normali avrebbero bisogno di giusti e sbagliati vicino al 50%
ho solo 10 casi sospetti su 665
il problema e' questo
La classificazione sbilanciata è difficile!
Le classificazioni sbilanciate rappresentano una sfida per la modellazione predittiva poiché la maggior parte degli algoritmi di apprendimento automatico utilizzati per la classificazione sono stati progettati sulla base del presupposto di un numero uguale di esempi per ciascuna classe.
Un problema di classificazione può essere leggermente distorto, come se ci fosse un leggero squilibrio. In alternativa, il problema di classificazione potrebbe presentare un grave squilibrio in cui potrebbero esserci centinaia o migliaia di esempi in una classe e decine di esempi in un'altra classe per un determinato set di dati di addestramento.
Ciò si traduce in modelli con scarse prestazioni predittive, in particolare per la classe minoritaria. Questo è un problema perché in genere la classe minoritaria è più importante e quindi il problema è più sensibile agli errori di classificazione per la classe minoritaria rispetto alla classe maggioritaria.
machinelearningmastery.com
il target e' gia' ottimizzato e non sbagliando quasi mai sono pochi i campioni con errori
per andare bene le tecniche normali avrebbero bisogno di giusti e sbagliati vicino al 50%
ho solo 10 casi sospetti su 665
il problema e' questo
La classificazione sbilanciata è difficile!
Le classificazioni sbilanciate rappresentano una sfida per la modellazione predittiva poiché la maggior parte degli algoritmi di apprendimento automatico utilizzati per la classificazione sono stati progettati sulla base del presupposto di un numero uguale di esempi per ciascuna classe.
Un problema di classificazione può essere leggermente distorto, come se ci fosse un leggero squilibrio. In alternativa, il problema di classificazione potrebbe presentare un grave squilibrio in cui potrebbero esserci centinaia o migliaia di esempi in una classe e decine di esempi in un'altra classe per un determinato set di dati di addestramento.
Ciò si traduce in modelli con scarse prestazioni predittive, in particolare per la classe minoritaria. Questo è un problema perché in genere la classe minoritaria è più importante e quindi il problema è più sensibile agli errori di classificazione per la classe minoritaria rispetto alla classe maggioritaria.
Imbalanced Classification with Python
Imbalanced Classification with Python Better Metrics, Balance Skewed Classes, Cost-Sensitive Learning …so What is Imbalanced Classification? Classification predictive modeling involves assigning a class label to an example. Imbalanced classification problems are those classification tasks where...
machinelearningmastery.com
Ultima modifica:
Similar threads
