Что такое конструирование признаков? Как извлечь более ценные торговые сигналы из цены, объёма торгов и волатильности?
В количественной торговле криптовалютами эффективность моделей машинного обучения зависит не только от алгоритма, но и от качества входных данных. Записи о ценах и объёмах торгов отражают изменения на рынке, но не всегда напрямую показывают тренды, импульс и риски. Конструирование признаков (Feature Engineering) — это преобразование исходных данных в информацию, более подходящую для обучения модели.
Во-первых, как создавать ценовые признаки?
Можно рассчитывать доходность за разные периоды, отклонение от скользящей средней и ценовой импульс — это поможет модели выявлять краткосрочные изменения и среднесрочные тренды. Например, доходность за последние 5 свечей описывает недавнюю динамику цены, но сама по себе не доказывает, что на следующем этапе сохранится то же направление.
Во-вторых, для чего нужны признаки объёма торгов?
Можно сравнивать текущий объём торгов со средним объёмом за предыдущий период и наблюдать, не выросла ли торговая активность необычно сильно. Также можно анализировать объём торгов вместе с изменением цены, чтобы оценить активность торгов при росте или падении. Однако увеличение объёма может сопровождать как продолжение тренда, так и разворот рынка.
В-третьих, зачем нужны признаки волатильности?
Волатильность описывает размах изменения цены. Расчёт скользящего стандартного отклонения исторической доходности помогает модели различать относительно спокойные периоды и периоды резких колебаний, а также корректировать оценку риска. Однако историческая волатильность не позволяет точно предсказать будущую.
В-четвёртых, как избежать бесполезных признаков?
Все признаки должны использовать только данные, доступные на момент прогноза, а их эффективность необходимо проверять при валидации временных рядов. Не стоит считать показатель надёжным предиктором лишь потому, что в исторической выборке он сильно коррелирует с ценой. Также следует учитывать торговые издержки, избыточность признаков и их эффективность в разных рыночных условиях.
Эффективное конструирование признаков — это не накопление всё большего числа показателей, а поиск информации с ясным смыслом, которую можно проверить на независимых данных.
В следующей статье: что такое нормализация технических индикаторов? Почему данные с разными единицами измерения нельзя напрямую подавать модели машинного обучения?
В количественной торговле криптовалютами эффективность моделей машинного обучения зависит не только от алгоритма, но и от качества входных данных. Записи о ценах и объёмах торгов отражают изменения на рынке, но не всегда напрямую показывают тренды, импульс и риски. Конструирование признаков (Feature Engineering) — это преобразование исходных данных в информацию, более подходящую для обучения модели.
Во-первых, как создавать ценовые признаки?
Можно рассчитывать доходность за разные периоды, отклонение от скользящей средней и ценовой импульс — это поможет модели выявлять краткосрочные изменения и среднесрочные тренды. Например, доходность за последние 5 свечей описывает недавнюю динамику цены, но сама по себе не доказывает, что на следующем этапе сохранится то же направление.
Во-вторых, для чего нужны признаки объёма торгов?
Можно сравнивать текущий объём торгов со средним объёмом за предыдущий период и наблюдать, не выросла ли торговая активность необычно сильно. Также можно анализировать объём торгов вместе с изменением цены, чтобы оценить активность торгов при росте или падении. Однако увеличение объёма может сопровождать как продолжение тренда, так и разворот рынка.
В-третьих, зачем нужны признаки волатильности?
Волатильность описывает размах изменения цены. Расчёт скользящего стандартного отклонения исторической доходности помогает модели различать относительно спокойные периоды и периоды резких колебаний, а также корректировать оценку риска. Однако историческая волатильность не позволяет точно предсказать будущую.
В-четвёртых, как избежать бесполезных признаков?
Все признаки должны использовать только данные, доступные на момент прогноза, а их эффективность необходимо проверять при валидации временных рядов. Не стоит считать показатель надёжным предиктором лишь потому, что в исторической выборке он сильно коррелирует с ценой. Также следует учитывать торговые издержки, избыточность признаков и их эффективность в разных рыночных условиях.
Эффективное конструирование признаков — это не накопление всё большего числа показателей, а поиск информации с ясным смыслом, которую можно проверить на независимых данных.
В следующей статье: что такое нормализация технических индикаторов? Почему данные с разными единицами измерения нельзя напрямую подавать модели машинного обучения?