Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2527
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Dies ist viel interessanter
Vielleicht sollten wir die Vorstellung aufgeben, dass der Markt eine Zeitreihe ist, und endlich einen Durchbruch in der Marktanalyse erzielen...
Das eine beeinträchtigt das andere nicht. Die moderne Finanzmathematik ist mit kontinuierlichen und diskreten Zeitreihenansätzen durchaus kompatibel. Das Problem, das ich sehe, ist, dass die öffentlich veröffentlichten konkreten Anwendungen dieser Wissenschaft nicht gut auf die Bedürfnisse unserer Händler zugeschnitten sind.
Verdrehen Sie es nicht: Wenn Sie versuchen, mit mir zu argumentieren, reden Sie immer noch über Ihre eigene... nur über die Zeitreihen... (und es sind eine Menge Stichprobenverfahren im Spiel)...
Der Preis ist langfristig keine Funktion der Zeit, das habe ich schon mehr als einmal gesagt (und ich werde es nicht wiederholen)... Ich habe Ihnen gezeigt, wo Sie Autokorrelation in DL bekommen können... und was Sie für X und Y und für die Modellierung welcher Abhängigkeiten verwenden müssen - ich habe es auch zum 10. mal geschrieben - es liegt im Ermessen des Entwicklers...
Ich bin nicht der Entwickler Ihres Modells - ich muss das Verhalten des Preises im Laufe der Zeit nicht beweisen... (vielleicht hätte ich nicht auf die DL kritzeln sollen - jeder hier denkt über etwas nach und widerlegt es oder beweist jemandem etwas - und nimmt ein Wort aus jeder Disziplin)... Ingenieure, die sich mit MO befassen (und die nicht hier sind), werden die Enge der Autokorrelationsdebatte immer noch verstehen (um des nerdigen Geredes willen), ob im Trend oder in Ticks, wenn das Modell in einem viel breiteren Aspekt und auf einem breiteren Horizont der Lernmenge als dem Horizont, wo Ihre Flöhe (Autokorrelation) herauskommen können, aufgebaut ist... Darum geht es beim Deep Learning (um alles zu berücksichtigen)
Ja, ich habe die Worte durch meine eigenen Erfahrungen verdreht. Bitte verzeihen Sie, wenn ich Sie beleidigt habe.
Der Unterschied besteht darin, dass im ersten Fall der ACF für alle möglichen Paare von Zeitpunkten betrachtet wird, während im zweiten Fall einer der Zeitpunkte t2=n festgelegt wird und viele Paare von Zeitpunkten( z. B. das Paar t1=1, t2=2) nicht berücksichtigt werden. Im Allgemeinen ist der ACF eine Funktion von zwei Argumenten. Nur bei stationären Prozessen kann die ACF als Funktion eines Arguments t=t1-t2 (Lag) betrachtet werden.
Der Stichproben-ACF wird immer aus einer bestimmten numerischen Stichprobe (Realisierung) eines Prozesses berechnet und erweist sich immer als eine Funktion eines Arguments (Verzögerungswert). Dies ist der Hauptgrund, warum der Stichproben-ACF einer SB-Implementierung keine Schätzung für ihren ACF darstellt).
Meinen Sie nicht, dass wir bei der Berechnung des ACF für ein Paar von Zeitpunkten t1 und t2 (zur Sicherheit seit1 < t2) in Wirklichkeit denStichproben-ACF mit der Stichprobenlänge n=t2und der Verzögerung t2-t1 berechnen?Für einen Beobachter zum Zeitpunkt t2 wird die Zeitreihe durch eine Stichprobe der Länge t2 dargestellt. Der Beobachter weiß nicht, was nach der Zeit t2 passieren wird.
Um nicht völlig unbegründet zu sein, hier meine Beobachtungen zu realen Markt-Autokorrelationen:
Beobachtungsfenster für jeden Wert der letzten 50 Elemente, jeweils um 1, 3 und 6 Elemente versetzt.
Der Pearson-Koeffizient liegt zwischen -1 und 1.
Auf dem ersten Bildschirm dieser Analyse könnte man zum Beispiel sagen, dass auf der Skala von einer Kerze eine stabile negative Autokorrelation besteht (auf einen positiven Wert folgt ein negativer und umgekehrt)
Auf der Skala von 3 Candlesticks war es dasselbe, aber weniger stabil am Beobachtungspunkt, und auf der Skala von 6 Candlesticks gab es einen Mini-Trend.
Und auf dem zweiten ist es ganz anders (beachten Sie die Zahlen)
Aber es ist eine Zeitreihe, die aus irgendeinem Grund nicht jeder hier mag, und im Allgemeinen weiß ich, dass ich dumm bin und nichts verstehe. Ich möchte mit diesem Screenshot niemanden beleidigen oder belehren. Ich möchte Sie nicht dazu ermutigen, auf der Grundlage solcher Berechnungen Vorhersagen zu treffen.
Meinen Sie nicht, dass wir bei der Berechnung des ACF für ein Paar von Zeitpunkten t1 und t2 (zur Sicherheit seit1 < t2) in Wirklichkeit denStichproben-ACF mit der Stichprobenlänge n=t2und der Verzögerung t2-t1 berechnen?Für einen Beobachter zum Zeitpunkt t2 wird die Zeitreihe durch eine Stichprobe der Länge t2 dargestellt. Der Beobachter weiß nicht, was nach dem Zeitpunkt t2 passiert.
Dennoch kann ein Beobachter zum Zeitpunkt t3, t3>t2, durchaus an der Korrelation zwischen den Zeitpunkten t1 und t2 interessiert sein. Und Ihre Formel ACF(t) =sqrt((n-t)/n) erlaubt es ihm nicht, dies zu berechnen (ersetzen Sie einfach n durch t3).
Wäre die Reihe stationär, wäre ACF(t1, t2)=ACF(t2-(t2-t1), t2)=ACF(t3-(t2-t1), t3), aber im Allgemeinen gilt die zweite Gleichheit nicht. Man könnte sagen, dass die Nicht-Stationarität hier darin besteht, dass es eine Abhängigkeit davon gibt, zu welchem Zeitpunkt sich der Beobachter befindet (zeitliche Inhomogenität).
Wie schafft man es, dass ein Co-op funktioniert und man gleichzeitig seinen eigenen Interessen nachgehen kann? Theoretisch besteht das ultimative (und potenziell gemeinsame) Ziel darin, ein rentables System zu schaffen. Alternativ dazu könnte jeder mit einem einzigen Datensatz arbeiten. Hier sind Daten von einigen Instrumenten für ~4 Monate. Es ist bekannt, dass man mit diesen Daten eine erwartete Auszahlung > 7 erhalten kann (die Provision beträgt 4,4, 5 Stellen). Das System sollte den Gewinn für die letzten 1,5 Jahre ausweisen, aber dazu später mehr.
Ein Beobachter zum Zeitpunkt t3, t3>t2 kann jedoch durchaus an der Korrelation zwischen den Zeitpunkten t1 und t2 interessiert sein. Ihre Formel ACF(t) =sqrt((n-t)/n) erlaubt es ihm nicht, dies zu berechnen (ersetzen Sie einfach n durch t3).
Wäre die Reihe stationär, wäre ACF(t1, t2)=ACF(t2-(t2-t1), t2)=ACF(t3-(t2-t1), t3), aber im Allgemeinen gilt die zweite Gleichheit nicht. Man könnte sagen, dass Nicht-Stationarität hier das Vorhandensein einer Abhängigkeit davon ist, zu welchem Zeitpunkt sich der Beobachter befindet (zeitliche Inhomogenität).
Aber das ist natürlich nicht der Fall. Das tut sie! Ein Archäologe kann zum Zeitpunkt t3,t3 > t2, alte Aufzeichnungen (z. B. auf einer 3.000 Jahre alten Amphore) über SB der Länget2 ausgraben.Sie wollen zum Beispiel die Korrelation zwischen den Momenten t1 und t2 berechnen. Mit meiner Formel: ACF(t) =sqrt((n-t)/n), mit n= t2, t=t2-t1, ist das kein Problem. Und zwar genau deshalb, weil die ACF der Stichprobe gezählt wird, wenn die Stichprobenlänge n=t2und die Verzögerung t2-t1beträgt.Spüren Sie, dass das Zeitmomentt3 von Ihnen künstlich eingeführt wird.
Aber das ist nicht der Fall. Das tut sie! Ein Archäologe kann zum Zeitpunkt t3,t3 > t2, alte Aufzeichnungen (z. B. auf einer 3.000 Jahre alten Amphore) über SB der Länget2 ausgraben.Sie wollen zum Beispiel die Korrelation zwischen den Momenten t1 und t2 berechnen. Mit meiner Formel: ACF(t) =sqrt((n-t)/n), mit n= t2, t=t2-t1, ist das kein Problem. Und zwar genau deshalb, weil die ACF der Stichprobe gezählt wird, wenn die Stichprobenlänge n=t2 und die Verzögerung t2-t1 beträgt. Sie haben das Gefühl, dass das Zeitmomentt3 von Ihnen künstlich eingeführt wurde.
Im Wesentlichen handelt es sich um dieselbe Funktion mit zwei Argumenten, aber mit einer sehr kunstvollen Beschreibung des Algorithmus für ihre Berechnung)
Der Zeitpunkt t3 ist ganz natürlich und man braucht noch den Zeitpunkt t4, t4>t3, für den die Vorhersage zum Zeitpunkt t3 erstellt wird)
Im Wesentlichen handelt es sich um dieselbe Funktion mit zwei Argumenten, aber mit einer sehr kunstvollen Beschreibung des Berechnungsalgorithmus)
Der Zeitpunkt t3 ist ganz natürlich und man braucht noch den Zeitpunkt t4, t4>t3, für den die Vorhersage zum Zeitpunkt t3 erstellt wird)
Ich schlage vor, das Phänomen der ACF SB von folgenden Positionen aus zu betrachten. Für die allgemeine Population von SB (Stichproben von unendlicher Länge) ist ACF = const = 1. Für eine Stichprobe mit endlicher Länge n können wir eine Schätzung derACF mit einem typischen Fehler in der Größenordnung von 1/sqrt(n) erhalten.Ein Fehler dieser Größenordnung ergibt eine Schätzung von ACF(t) =sqrt((n-t)/n) = sqrt(1- t/n).
Ich schlage vor, das Phänomen des ACF von SB aus den folgenden Positionen zu betrachten. Für die Grundgesamtheit von SB (Stichprobe von unendlicher Länge) ist ACF = const = 1. Für eine Stichprobe mit endlicher Länge n können wir eine Schätzung derACF mit einem typischen Fehler in der Größenordnung von 1/sqrt(n) erhalten.Ein Fehler dieser Größenordnung ergibt eine Schätzung von ACF(t) =sqrt((n-t)/n) = sqrt(1- t/n).
Dies wäre nicht mehr ein SB, sondern ein Prozess mit Realisierungskonstanten)
Ich mache einen Gegenvorschlag, um unsere wunderbare Diskussion zu beenden, bevor Kolmogorov und Wiener aus ihren Gräbern auferstehen, um uns mit Stöcken zu schlagen)