Forester #: 결론은 무엇일까요? 시간이 지날수록 시장이 더 효율적이 된다는 것일까요? 아니면 모델이 효율성을 잃었나요?
전략을 고려할 때 시장이 장중 추세를 더 자주 바꾸기 시작했다고 잠정적으로 결론을 내릴 수 있다고 생각합니다.
문제는 역사에서 단순히 현재 더 빈번해진 요인이 있는지, 그렇다면 이를 예측하거나 확률 편향의 선형적 증가로 나타낼 수 있는지 여부입니다.
또는 이전에는 볼 수 없었던 완전히 새로운 이벤트(예측 지표의 조합)일 수도 있습니다.
한 가지 분명한 것은 상황의 역학을 고려한 다른 방식의 모델 구축이 필요하다는 것입니다. 그러면 다른 요인의 출현/강화로 인한 양자 세그먼트 확률의 변화를 설명할 수 있고, 이러한 다른 요인을 미리 예측할 수 있습니다. 즉, 무엇이 바뀌었는지, 그리고 이 변화를 예측할 수 있는지 이해하고 최종 모델에서 이러한 변화를 더 고려해야 합니다.
사실 저는 팻테일에 대한 알렉세이의 의견에 관심이 없어졌습니다. 그것은 단지 일반화 된 개념 일뿐입니다.
문제는 코스에 대한 구조적 예측입니다. 방향과시기.
아이디어에서 새로운 폭풍을 기다리고 있습니다. ))))
알렉세이는 이미 수염을 붙잡고 무엇을 대답해야할지 생각하고 있습니다.
주부들을 위한 코줄 추론.
용감하고 겁쟁이들을 위한 더 나은 공부 :)
주부들을 위한 코줄 인퍼런스
용감하고 겁쟁이들을 위해 더 잘 공부하세요 :)
인과 추론 아이디어와 안정성에 대한 San Sanych의 아이디어를 결합하기 만하면됩니다. 그러면 성배는 피할 수 없습니다 🤑.
하지만 확실하지 않습니다)
주부들을 위한 코줄 인퍼런스
용감하고 겁쟁이들을 위해 더 잘 공부하세요 :)
맥심, 당신은 이미 꼬리가 개를 흔들어야한다는 것을 확실히 배웠습니다 ))))
다른 사람들을 계속 설득하세요. 나는 충분히 먹었습니다. 안녕히 계세요.
여기서 흥미로운 점을 발견했습니다.
데이터 드리프트에 대해서는 누구나 알고 있습니다. 우리는 예측 변수만 발로 차는 데 익숙하지만 시간이 지남에 따라 전략 자체에 어떤 일이 일어나는지 보기로 결정했습니다.
일일 ATR(3)의 23.6%가 교차할 때 진입 신호를 보내는 한 전략의 데이터를 가져왔습니다.
그래서 매월 계산을 해봤습니다:
- 모든 신호의 수
- 포지티브 신호 수 (1)
- 전체 신호 중 양성 신호의 비율(TP)
결과 수치 계열을 6 값의 이동 평균으로 평활화했습니다.
그래서 얻은 결과입니다.
첫 번째 차트에서 기본 전략의 모든 신호의 수가 시간이 지남에 따라 증가하고 있음을 알 수 있습니다.
도표 1.
두 번째 차트에서는 기본 전략의 긍정적 신호의 수가 시간이 지남에 따라 증가하지만 그 속도는 느리다는 것을 알 수 있습니다.
그래프 2.
세 번째 차트에서는 전체 신호 중 수익성 있는 신호의 비율이 정체되는 것을 볼 수 있습니다.
다이어그램 3.
아마도 예측자의 분할(Q 컷)에서도 비슷한 역학을 볼 수 있을 것입니다....
두 번째 그래프에서는 기본 전략의 긍정적인 신호가 시간이 지남에 따라 증가하고 있지만 그 속도는 더 느리다는 것을 알 수 있습니다.
인과관계 추론 아이디어와 안정성에 대한 산 산치의 아이디어를 결합하기만 하면 됩니다. 그러면 성배는 피할 수 없습니다 🤑.
하지만 그건 정확하지 않습니다)
맥심, 당신은 이미 꼬리가 개를 흔들어야 한다는 것을 확실히 배웠습니다 ))))
다른 사람들을 계속 설득하세요. 난 끝났어. 안녕히 계세요
결론은 무엇일까요? 시간이 지날수록 시장이 더 효율적이 된다는 것일까요? 아니면 모델이 효율성을 잃었나요?
전략을 고려할 때 시장이 장중 추세를 더 자주 바꾸기 시작했다고 잠정적으로 결론을 내릴 수 있다고 생각합니다.
문제는 역사에서 단순히 현재 더 빈번해진 요인이 있는지, 그렇다면 이를 예측하거나 확률 편향의 선형적 증가로 나타낼 수 있는지 여부입니다.
또는 이전에는 볼 수 없었던 완전히 새로운 이벤트(예측 지표의 조합)일 수도 있습니다.
한 가지 분명한 것은 상황의 역학을 고려한 다른 방식의 모델 구축이 필요하다는 것입니다. 그러면 다른 요인의 출현/강화로 인한 양자 세그먼트 확률의 변화를 설명할 수 있고, 이러한 다른 요인을 미리 예측할 수 있습니다. 즉, 무엇이 바뀌었는지, 그리고 이 변화를 예측할 수 있는지 이해하고 최종 모델에서 이러한 변화를 더 고려해야 합니다.