나는 grach를 공부하려고 시도했고, 심지어 몇 번을 다시 잡았다. 그러나 매번 나는 극복할 수 없는 통계 및 계량 경제학 용어의 벽에 부딪혔고 결코 그것을 마스터하지 못했습니다.
하지만 여전히 중요한 사실을 깨달았습니다. Arima와 Garch는 시계열의 내부 상태를 모델링하는 데 많은 시간을 할애하여 가격을 얻습니다. 저것들. 전 세계적으로 수십 가지의 글로벌 프로세스가 진행 중이며 가격은 이미 이들의 일부 조합입니다. 따라서 시계열 자체를 모델링하는 대신 이러한 숨겨진 프로세스를 모델링하고 이러한 프로세스의 상호 작용을 모델링하여 필요한 시계열을 얻는 것이 좋습니다.
Garch와 Arima는 진행 중인 이러한 숨겨진 프로세스(계절성, 추세 등)에 대한 몇 가지 기본 제공 아이디어를 가지고 있지만 수십 년 전에 이러한 모델에 포함된 공식에 의해 제한됩니다. 우리는 ML을 사용하여 이러한 내부 시장 상황을 설명하는 자체 지표를 만들려고 시도할 수 있으며 이미 garch보다 훨씬 적은 제한이 있습니다. 하지만 실수하기도 쉽고, 매우 어려운 작업이기도 합니다.
수익률은 정상적이며 거의 가우스적이며 변동성으로 정리하면 필요하지만 고정적이지 않은 가격 자체는 계산에 포함되지 않습니다.
기록의 변동성을 바로잡으십니까, 아니면 새로운 틱이 오면 바로잡으십니까? 예를 들어 이동을 반 기간 뒤로 이동하고 원래 따옴표에서 빼면 나머지에서 거의 가우스를 얻을 수 있다는 것이 분명합니다. 그러나 가장 흥미로운 곳(오른쪽 가장자리)에서 변동성으로 무슨 일이 일어나고 있는지 알기 위해서는 예를 들어 이동 기간의 미래 바닥을 알아야 합니다. 어디서 구할 수 있습니까?
나는 grach를 공부하려고 시도했고, 심지어 몇 번을 다시 잡았다. 그러나 매번 나는 극복할 수 없는 통계 및 계량 경제학 용어의 벽에 부딪혔고 결코 그것을 마스터하지 못했습니다.
하지만 여전히 중요한 사실을 깨달았습니다. Arima와 Garch는 시계열의 내부 상태를 모델링하는 데 많은 시간을 할애하여 가격을 얻습니다. 저것들. 전 세계적으로 수십 가지의 글로벌 프로세스가 진행 중이며 가격은 이미 이들의 일부 조합입니다. 따라서 시계열 자체를 모델링하는 대신 이러한 숨겨진 프로세스를 모델링하고 이러한 프로세스의 상호 작용을 모델링하여 필요한 시계열을 얻는 것이 좋습니다.
Garch와 Arim은 발생하는 이러한 숨겨진 프로세스(계절성, 추세 등)에 대한 몇 가지 기본 제공 아이디어를 가지고 있지만 수십 년 전에 이러한 모델에 포함된 공식에 의해 제한됩니다. 우리는 ML을 사용하여 이러한 내부 시장 상황을 설명하는 자체 지표를 만들려고 시도할 수 있으며 여기에서는 이미 garch보다 훨씬 적은 제한이 있습니다. 하지만 실수하기도 쉽고, 매우 어려운 작업이기도 합니다.
GARCH와 ML은 경쟁자가 아니며 서로를 완전히 보완합니다. 이것이 제가 지금 하고 있는 일입니다. ML 분야에서 오래된 개발을 결합하려는 시도가 추세이며 GARCH를 추가하여 진입점을 결정합니다. 나는 이미 1 년 동안의 거래에 필요한 금액을 준 고문이 있다고 썼습니다. 그것은 RF와 적응형 자동차(수정된 유리)로 구성되었습니다. 그러나 이 쌍은 비정상성 문제를 해결하지 못했습니다.
전 세계적으로 두 종류의 모델을 구별합니다.
시계열의 통계적 특성을 고려한 GARCH는 극도로 발전된 방향이며 본질적으로 공적분과 함께 일반선입니다. 엄청난 수의 출판물. 예를 들어, 출판 수준의 특성으로. 우리는 S&P 500 지수에 포함된 모든 주식에 대해 다양한 GARCH 패턴을 조사합니다. 500주. 나는 MO에서 이와 같은 것을 알지 못합니다.
이전 TA에서와 같이 기계적으로 패턴을 찾는 분류입니다.
어떤 이유에서인지 이 스레드의 모든 사람들은 MO에 집착했습니다. 무슨 근거로? 분류는 대상 변수와 예측 변수 간의 일부 관계를 기반으로 합니다.
글쎄, 첫째, 상호 정보에서 발생한 것처럼 여기의 관계에 대한 모든 입자가 즉시 수다를 떠게됩니다.
둘째, 목표 변수에 대한 예측 변수의 영향 이 있는 경우 이 영향 이 시간이 지나도 변하지 않을 것임을 누가 증명했습니까? 나는 이미 실제 거래 고문을 기반으로 각 막대에서 이전에 발견된 27개의 예측 변수 중에서 선택되어 5에서 15까지 유지되며 이 목록은 27개의 예측 변수 내에서 지속적으로 변경된다는 내용을 여러 번 작성했습니다. 저것들. 대상 변수에 대한 예측 변수 의 영향 크기는시간이 지남에 따라 다소 빠르게 변경 됩니다.
따라서 고문의 아이디어는 다음과 같습니다.
분류를 사용하여 더 높은 막대에서 가격 움직임의 미래 방향 예측
그런 다음 GARCH를 사용하여 해당 진입 방향을 예측하기 위해 의사 고정 시계열을 사용합니다.
초보 수준의 질문입니다...
글쎄, 그것은 파이까지 .. 사라졌습니다. 이것은 나 자신에게 ... Elk,이 2 주 만에 처음 ...하지만 절망하지 않고 TS에서 계속 작업합니다.
물론 경험이 없으니 이해가 안 되는 부분을 물어보는 것도 흥미로웠다.
물론 경험이 없으니 이해가 안 되는 부분을 물어보는 것도 흥미로웠다.
신경망 과 머신 러닝의 기술을 스스로 이해하려고 노력하십시오. 거기서 얘기하자...
신경망과 머신 러닝의 기술을 스스로 이해하려고 노력하십시오. 거기서 얘기하자...
나는이 문제에서 교사와 멘토를 방해하지 않을 것입니다 ...
변동이 작기 때문에 30개의 Lern 관찰과 30개의 테스트에 대해 90%의 정확도를 얻는다면 선택의 여지가 없으면 기회를 잡을 수 있지만 시장은 >95% 노이즈이므로 수천 개의 실수에 대한 절대값에 최소한 비교할 만한 예측을 얻기 위해 더 많은 포인트를 배웁니다.
추신: 중심 극한 정리는 통계의 기초이며 그 후손 MO입니다. 역학에서 F = ma와 같습니다. 그렇게 무시해서는 안 됩니다.
고정되지 않은 확률 변수에 대한 극한 정리의 실행을 어디에서 보았습니까?
일자리를 찾을 수 없습니까? 시간에 힘을 곱하다!
(유니버설 팁 모음)
;))))
글쎄, 여기에 "비 고정성 문제"에 대한 또 다른 이단이 있습니다 ...
수익률은 정상적이며 거의 가우스적이며 변동성으로 정리하면 필요하지만 고정적이지 않은 가격 자체는 계산에 포함되지 않습니다.
우리는 GARCH를 연구하고 반환에 대한 "비정상성의 문제"에 대한 또 다른 이단을 여기에서 퍼뜨리지 않습니다. 수백 개의 GARCH 모델은 수익의 비정상성의 뉘앙스를 고려하려고 노력하지만 이 모든 사람들은 그런 여유가 없습니다.
...
왜요?
예, 약물의 이론적 생성에서 약물이 질병에 미치는 영향을 입증하는 데 엄청난 노력이 소요되기 때문입니다.
우리는 모든 것을 하나로 모았다는 점에서만 다릅니다. 스레드를 보십시오: 퍼셉트론에 대해서는 99%이고 데이터 마이닝에 대해서는 거의 없습니다.
그리고 여기에서 의약품 제작자를 어디에서 보았습니까? 일부 소비자, 당신은 임의의 숲 복용을 중단했습니다, 이제 당신은 arcch garch를 마십니다 - 환자 그러나 ...
나는 grach를 공부하려고 시도했고, 심지어 몇 번을 다시 잡았다. 그러나 매번 나는 극복할 수 없는 통계 및 계량 경제학 용어의 벽에 부딪혔고 결코 그것을 마스터하지 못했습니다.
하지만 여전히 중요한 사실을 깨달았습니다. Arima와 Garch는 시계열의 내부 상태를 모델링하는 데 많은 시간을 할애하여 가격을 얻습니다. 저것들. 전 세계적으로 수십 가지의 글로벌 프로세스가 진행 중이며 가격은 이미 이들의 일부 조합입니다. 따라서 시계열 자체를 모델링하는 대신 이러한 숨겨진 프로세스를 모델링하고 이러한 프로세스의 상호 작용을 모델링하여 필요한 시계열을 얻는 것이 좋습니다.
Garch와 Arima는 진행 중인 이러한 숨겨진 프로세스(계절성, 추세 등)에 대한 몇 가지 기본 제공 아이디어를 가지고 있지만 수십 년 전에 이러한 모델에 포함된 공식에 의해 제한됩니다. 우리는 ML을 사용하여 이러한 내부 시장 상황을 설명하는 자체 지표를 만들려고 시도할 수 있으며 이미 garch보다 훨씬 적은 제한이 있습니다. 하지만 실수하기도 쉽고, 매우 어려운 작업이기도 합니다.
수익률은 정상적이며 거의 가우스적이며 변동성으로 정리하면 필요하지만 고정적이지 않은 가격 자체는 계산에 포함되지 않습니다.
기록의 변동성을 바로잡으십니까, 아니면 새로운 틱이 오면 바로잡으십니까? 예를 들어 이동을 반 기간 뒤로 이동하고 원래 따옴표에서 빼면 나머지에서 거의 가우스를 얻을 수 있다는 것이 분명합니다. 그러나 가장 흥미로운 곳(오른쪽 가장자리)에서 변동성으로 무슨 일이 일어나고 있는지 알기 위해서는 예를 들어 이동 기간의 미래 바닥을 알아야 합니다. 어디서 구할 수 있습니까?
나는 grach를 공부하려고 시도했고, 심지어 몇 번을 다시 잡았다. 그러나 매번 나는 극복할 수 없는 통계 및 계량 경제학 용어의 벽에 부딪혔고 결코 그것을 마스터하지 못했습니다.
하지만 여전히 중요한 사실을 깨달았습니다. Arima와 Garch는 시계열의 내부 상태를 모델링하는 데 많은 시간을 할애하여 가격을 얻습니다. 저것들. 전 세계적으로 수십 가지의 글로벌 프로세스가 진행 중이며 가격은 이미 이들의 일부 조합입니다. 따라서 시계열 자체를 모델링하는 대신 이러한 숨겨진 프로세스를 모델링하고 이러한 프로세스의 상호 작용을 모델링하여 필요한 시계열을 얻는 것이 좋습니다.
Garch와 Arim은 발생하는 이러한 숨겨진 프로세스(계절성, 추세 등)에 대한 몇 가지 기본 제공 아이디어를 가지고 있지만 수십 년 전에 이러한 모델에 포함된 공식에 의해 제한됩니다. 우리는 ML을 사용하여 이러한 내부 시장 상황을 설명하는 자체 지표를 만들려고 시도할 수 있으며 여기에서는 이미 garch보다 훨씬 적은 제한이 있습니다. 하지만 실수하기도 쉽고, 매우 어려운 작업이기도 합니다.
GARCH와 ML은 경쟁자가 아니며 서로를 완전히 보완합니다. 이것이 제가 지금 하고 있는 일입니다. ML 분야에서 오래된 개발을 결합하려는 시도가 추세이며 GARCH를 추가하여 진입점을 결정합니다. 나는 이미 1 년 동안의 거래에 필요한 금액을 준 고문이 있다고 썼습니다. 그것은 RF와 적응형 자동차(수정된 유리)로 구성되었습니다. 그러나 이 쌍은 비정상성 문제를 해결하지 못했습니다.
전 세계적으로 두 종류의 모델을 구별합니다.
어떤 이유에서인지 이 스레드의 모든 사람들은 MO에 집착했습니다. 무슨 근거로? 분류는 대상 변수와 예측 변수 간의 일부 관계를 기반으로 합니다.
글쎄, 첫째, 상호 정보에서 발생한 것처럼 여기의 관계에 대한 모든 입자가 즉시 수다를 떠게됩니다.
둘째, 목표 변수에 대한 예측 변수의 영향 이 있는 경우 이 영향 이 시간이 지나도 변하지 않을 것임을 누가 증명했습니까? 나는 이미 실제 거래 고문을 기반으로 각 막대에서 이전에 발견된 27개의 예측 변수 중에서 선택되어 5에서 15까지 유지되며 이 목록은 27개의 예측 변수 내에서 지속적으로 변경된다는 내용을 여러 번 작성했습니다. 저것들. 대상 변수에 대한 예측 변수 의 영향 크기는 시간이 지남에 따라 다소 빠르게 변경 됩니다.
따라서 고문의 아이디어는 다음과 같습니다.