Marktphänomene - Seite 61
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
Swinosaurus war der Stammvater dieses Zweigs, aber das Interessante liegt, wie Mathemat sagte , in der Mitte bis zum Ende des Zweigs. Und das, im Großen und Ganzen interessant, ist nicht sein Verdienst, sondern
Yurixx, Mathemat, Candid, MetaDriver , etc. Lesen Sie es, Sie werden es interessant finden.
Der Freitag hat gerade erst begonnen und sie sind schon seit Donnerstag dabei...
Nur Neutron hat etwas Vernünftiges illustriert.
2 Neutron. Der nächste Schritt ist die Betrachtung der Intervallverteilung des "zweiten" Prozesses. Zeigen Sie es mir, bitte!
rsi:
Der nächste Schritt ist die Betrachtung der Zeitintervallverteilung des "zweiten" Prozesses.
Ich bin begeistert.
Das Interessante daran ist, dass der Wert des TS, der auf dieser Idee beruht, wirklich schleichend steigt. Ich betrachte die Zufälligkeit der Situation. Es ist klar, dass es das wahrscheinlich nicht ist, aber es ist faszinierend!
Und was können Sie in diesem Fall mit der nichtlinearen Regressionsanalyse feststellen?
Zunächst einmal muss die Aufgabe in Teile zerlegt werden:
1. Basierend auf der Tatsache, dass, wenn wir den TS optimiert haben, seine erfolgreichen Vorwärtstests an bestimmten Stellen überfüllt sind, d.h. wenn der Gewinnfaktor 1,6 oder höher ist, ist der Vorwärtstest höchstwahrscheinlich ein Abfluss, wenn er unter einem bestimmten Wert liegt, dann ist er auch ein Abfluss. Wenn der Drawdown am Optimierungspunkt eine bestimmte Grenze überschreitet, ist der Forward-Test höchstwahrscheinlich erfolglos. Das Gleiche gilt für die erwartete Auszahlung. Unwichtige, im Vergleich zur Streuung, erwartete Auszahlung in den Optimierungsergebnissen führt zu erfolglosen Vorwärtsversuchen. D.h. wir haben einige Abhängigkeiten zwischen den Optimierungsergebnissen und dem Erfolg der Vorwärtsprüfung und müssen daher genauer sein. Schauen wir uns die Nachschlagewerke an, um eine geeignete (kontextbezogene) Methode für Studien zu finden. Wir haben festgestellt, dass in unserem Kontext die logistische Regression, gefolgt von einer ROC-Analyse, geeignet zu sein scheint, d. h. sie ermöglicht die Berechnung der Erfolgswahrscheinlichkeit eines Ereignisses (Vorwärtstest) in Abhängigkeit von seinen Merkmalen (Anpassungsparameter). Theoretisch passt es, obwohl ich mir nicht sicher bin, da die gängigste logistische Regression linear ist, und es besser wäre, sie in eine nichtlineare Form zu bringen. Aber das ist bisher nur Spekulation, es ist durchaus möglich, dass Linearität mehr als genug ist.
2. Wir haben das Anfangssegment des Vorwärtstests und müssen sein mathematisches Modell mit Hilfe einer nichtlinearen Regression für die Extrapolation erstellen, z. B. mit Hilfe von OLS oder einer Potenzpolynomnäherung.
Wir haben die Daten in Punkt 1 und das Modell in Punkt 2. Untersuchen Sie das Modell in Punkt 2 auf eine Abweichung (Residuen in ökonometrischer Terminologie) des bekannten Vorwärtssegments vom Modell. Untersuchen Sie die Merkmale des bekannten Intervalls des Vorwärtstests und seine Abweichungen, nehmen Sie die Daten aus Schritt 1 und führen Sie eine Analyse durch, z. B. mit der oben beschriebenen logistischen Regression, und berechnen Sie die Wahrscheinlichkeit, dass der Vorwärtstest nicht erschöpft ist und ein ausreichendes Potenzial für einen profitablen Handel in der Zukunft hat (andernfalls sollten wir alles erneut optimieren und nach einem anderen erfolgreichen Vorwärtstest suchen).
Dies ist in etwa der Plan für die Vorwärtsversuchsforschung.
Zunächst einmal muss die Aufgabe in Teile zerlegt werden:
1. Basierend auf der Tatsache, dass, wenn wir den TS optimiert haben, seine erfolgreichen Vorwärtstests an bestimmten Stellen gedrängt werden, d.h. wenn der Gewinnfaktor 1,6 oder höher ist, dann wird der Vorwärtstest höchstwahrscheinlich scheitern, wenn er unter einem bestimmten Wert liegt, dann scheitert er auch. Wenn der Drawdown am Optimierungspunkt eine bestimmte Grenze überschreitet, ist der Forward-Test höchstwahrscheinlich erfolglos. Das Gleiche gilt für die erwartete Auszahlung. Unwichtige, im Vergleich zur Streuung, erwartete Auszahlung in den Optimierungsergebnissen führt zu erfolglosen Vorwärtsversuchen. D.h. wir haben einige Abhängigkeiten zwischen den Optimierungsergebnissen und dem Erfolg der Vorwärtsprüfung und müssen daher genauer sein. Schauen wir uns die Nachschlagewerke an, um eine geeignete (kontextbezogene) Methode für Studien zu finden. Wir haben festgestellt, dass in unserem Kontext die logistische Regression, gefolgt von einer ROC-Analyse, geeignet zu sein scheint, d. h. sie ermöglicht die Berechnung der Erfolgswahrscheinlichkeit eines Ereignisses (Vorwärtstest) in Abhängigkeit von seinen Merkmalen (Anpassungsparameter). Theoretisch passt es, obwohl ich mir nicht sicher bin, da die gängigste logistische Regression linear ist und es besser wäre, sie in eine nichtlineare Form zu bringen. Aber das ist bisher nur Spekulation, es ist durchaus möglich, dass Linearität mehr als genug ist.
2. Wir haben ein erstes Segment des Vorwärtstests und müssen ein mathematisches Modell mit Hilfe einer nichtlinearen Regression für die Extrapolation erstellen, z. B. mit Hilfe von OLS oder einer Potenzpolynomnäherung.
Wir haben die Daten in Punkt 1 und das Modell in Punkt 2. Untersuchen Sie das Modell in Punkt 2 auf Abweichungen (Residuen in der ökonometrischen Terminologie) des bekannten Vorwärtssegments vom Modell. Untersuchen Sie die Merkmale des bekannten Intervalls des Vorwärtstests und seine Abweichungen, nehmen Sie die Daten aus Schritt 1 und führen Sie eine Analyse durch, z. B. mit der oben beschriebenen logistischen Regression, und berechnen Sie die Wahrscheinlichkeit, dass der Vorwärtstest nicht erschöpft ist und ein ausreichendes Potenzial für einen profitablen Handel in der Zukunft hat (andernfalls sollten wir alles erneut optimieren und nach einem anderen erfolgreichen Vorwärtstest suchen).
Dies ist in etwa der Plan für die Vorlaufforschung.
Alles ist in Ordnung, wenn Ihr TS eine nichtstationäre Notierung in einen stationären Gewinn umwandelt.
Ist es schlecht, wenn die Gewinne nicht stationär sind?
Zunächst einmal muss die Aufgabe in Teile zerlegt werden:
1. Basierend auf der Tatsache, dass, wenn wir den TS optimiert haben, seine erfolgreichen Vorwärtstests an bestimmten Stellen gedrängt werden, d.h. wenn der Gewinnfaktor 1,6 oder höher ist, dann wird der Vorwärtstest höchstwahrscheinlich scheitern, wenn er unter einem bestimmten Wert liegt, dann scheitert er auch. Wenn der Drawdown am Optimierungspunkt eine bestimmte Grenze überschreitet, ist der Forward-Test höchstwahrscheinlich erfolglos. Das Gleiche gilt für die erwartete Auszahlung. Unwichtige, im Vergleich zur Streuung, erwartete Auszahlung in den Optimierungsergebnissen führt zu erfolglosen Vorwärtsversuchen. D.h. wir haben einige Abhängigkeiten zwischen den Optimierungsergebnissen und dem Erfolg der Vorwärtsprüfung und müssen daher genauer sein. Schauen wir uns die Nachschlagewerke an, um eine geeignete (kontextbezogene) Methode für Studien zu finden. Wir haben festgestellt, dass in unserem Kontext die logistische Regression, gefolgt von einer ROC-Analyse, geeignet zu sein scheint, d. h. sie ermöglicht die Berechnung der Erfolgswahrscheinlichkeit eines Ereignisses (Vorwärtstest) in Abhängigkeit von seinen Merkmalen (Anpassungsparameter). Theoretisch passt es, obwohl ich mir nicht sicher bin, da die gängigste logistische Regression linear ist, und es besser wäre, sie in eine nichtlineare Form zu bringen. Aber das ist bisher nur Spekulation, es ist durchaus möglich, dass Linearität mehr als genug ist.
2. Wir haben ein Anfangssegment des Vorwärtstests und müssen dessen mathematisches Modell mit Hilfe einer nichtlinearen Regression für die Extrapolation erstellen, z. B. mit Hilfe von OLS oder einer Potenzpolynomnäherung.
3. wir haben die Daten aus Schritt 1 und das Modell aus Schritt 2. Untersuchen Sie das Modell aus Schritt 2 auf Abweichungen (Residuen nach ökonometrischer Terminologie) des bekannten Vorwärtssegments vom Modell. Untersuchen Sie die Merkmale des bekannten Intervalls des Vorwärtstests und seine Abweichungen, nehmen Sie die Daten aus Schritt 1 und führen Sie eine Analyse durch, z. B. mit der oben beschriebenen logistischen Regression, und berechnen Sie die Wahrscheinlichkeit, dass der Vorwärtstest nicht erschöpft ist und ein ausreichendes Potenzial für einen profitablen Handel in der Zukunft hat (andernfalls sollten wir alles erneut optimieren und nach einem anderen erfolgreichen Vorwärtstest suchen).
Dies ist in etwa der Plan für die Vorwärtsversuchsforschung.
Auch wenn ich mich erst seit zwei Monaten mit MQL und der Programmierung im Allgemeinen auskenne und nicht viel weiß, denke ich dennoch, dass es technisch sehr schwierig ist, diese Idee mit MQL zu testen.
Hier muss sich der Tester beim Testen selbst aufrufen. Alternativ können Sie jedoch auch Tester von zwei Terminals aus verwenden, wenn dies möglich ist (und wenn es überhaupt möglich ist, den Tester vom Expert Advisor aus zu starten).
Und wenn die Gewinne unstetig sind, ist das eine schlechte Sache?
Die Einschätzung des ISC ist unhaltbar.
Mach dich nicht lächerlich! Was hat die ISC damit zu tun? Was haben Stationarität und Nicht-Stationarität damit zu tun?
Du nimmst Wörter auf und lässt sie fallen, wo immer du gehst... Sie haben das Geräusch gehört, aber Sie wissen nicht, wo es ist.