AI Trend Forecast — Dự báo xu hướng bằng ML
Tải chuỗi lịch sử lên, nhận dự báo VÀ điểm số trung thực: mô hình có thắng nổi dự báo ngây thơ hay không. Dữ liệu mẫu là chuỗi hành khách hàng không kinh điển.
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
MASE là MAE của mô hình chia MAE của 'kỳ này bằng kỳ trước'. Từ 1 trở lên nghĩa là mô hình không tạo ra giá trị nào so với quy tắc đơn giản nhất có thể.
Đo trên 12 kỳ holdout mà mô hình chưa từng nhìn thấy. Đo trên dữ liệu huấn luyện luôn cho kết quả đẹp hơn thực tế.
Sai số lệch hẳn một phía nghĩa là mô hình có thiên lệch hệ thống — chỗ này sửa được, khác với nhiễu ngẫu nhiên.
Dựng từ độ lệch chuẩn phần dư trên holdout. Nó rộng, và đó là sự thật về mức bất định — con số điểm duy nhất che mất điều đó.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
Cột sáng thấp hơn cột tối ở đa số kỳ thì mô hình mới thực sự thắng, chứ không phải chỉ thắng ở trung bình.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
MASE = MAE(mô hình) / MAE(naive) — dưới 1 mới có giá trị
Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng.
API tại /api/v1/tools/ts-forecast gọi đúng hàm
này, nên kết quả trên trang và qua API không thể lệch nhau.
1.234.567 lẫn 1.234,56.Dự báo xu hướng bằng machine learning là bài toán phân loại: dựa trên đặc trưng hiện tại, xác suất giá đi lên trong cửa sổ tới là bao nhiêu. Nghe hợp lý, và đây là hướng đi tốn kém nhất trong quant trading — kết quả đo được trên 16 năm dữ liệu ở dưới.
| AUC ngoài mẫu | khả năng xếp hạng; 0.5 là ngẫu nhiên |
| Expectancy sau chi phí | con số duy nhất quyết định |
| PBO | xác suất quy trình chọn tham số của bạn vô dụng |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Dự báo xu hướng bằng machine learning là bài toán phân loại: dựa trên đặc trưng hiện tại, xác suất giá đi lên trong cửa sổ tới là bao nhiêu. Nghe hợp lý, và đây là hướng đi tốn kém nhất trong quant trading — kết quả đo được trên 16 năm dữ liệu ở dưới.
1. Gán nhãn bằng triple-barrier, không bằng dấu của lợi suất kỳ sau. 2. Dùng trọng số theo average uniqueness để các mẫu chồng lấn không được đếm nhiều lần. 3. Purged walk-forward có embargo, đủ dài để đi qua nhiều chế độ. 4. So expectancy với chi phí giao dịch TRƯỚC khi kết luận.
Kết quả thật của chúng tôi: AUC 0.529 ổn định trên ba kiến trúc (dự đoán hướng, meta-labeling, cross-sectional), nhưng expectancy −0.018R so với chi phí 0.019R. AUC 0.53 đáng giá đúng bằng 0 sau spread. Chỉ 2020 có lãi trong toàn bộ 16 năm — một năm biến động cao không phải bằng chứng có edge. Rò rỉ dữ liệu qua đặc trưng tính bằng cửa sổ trượt trung tâm hoặc qua chuẩn hoá trên toàn bộ tập.
AUC ngoài mẫu — khả năng xếp hạng; 0.5 là ngẫu nhiên; Expectancy sau chi phí — con số duy nhất quyết định; PBO — xác suất quy trình chọn tham số của bạn vô dụng.
Đang thử nghiệm: chạy được nhưng phương pháp chưa kiểm định đầu-cuối, nên đừng dựa vào nó để ra quyết định tiền thật.