Diskussion zum Artikel "Anwendung der Nash'schen Spieltheorie mit HMM-Filterung im Handel"
Ich habe einen ganzen Tag damit verbracht, Ihren Code zu entschlüsseln. Die Anweisungen im Python-Abschnitt waren klar, und ich war in der Lage, fast genau die gleichen Backtest-Ergebnisse wie Sie zu replizieren. Der spätere Teil des Artikels war jedoch recht undurchsichtig und enthielt nur wenige Erklärungen zur Logik hinter der statistischen Arbitrage im Paarhandel und zur genauen Anwendung der Spieltheorie.
Hier sind zwei Beispiele für Probleme, auf die ich bei Ihrem Code gestoßen bin:
-
Die Funktion isPositiveDefinite() soll prüfen, ob eine einzelne 3×3 Kovarianzmatrix positiv definiert ist. In InitializeHMM übergeben Sie jedoch das gesamte emissionCovs-Array an isPositiveDefinite() anstelle einzelner 3×3-Matrizen.
-
Die Art und Weise, wie Sie das Strategiesignal quantifizieren, ist ebenfalls fehlerhaft. Sowohl die Log-Likelihood der Strategie als auch der Strategietrend geben genau das gleiche Signal aus, während das HMM-Signal irrelevant zu sein scheint. Wenn man das HMM-Signal ausschaltet, ändert sich buchstäblich nichts, obwohl sich Ihr gesamter Artikel um die HMM-Implementierung dreht.
Ihre Strategie basiert auf Arbitrage, und die Losgröße sollte ein wesentlicher Bestandteil davon sein. Sie haben zwar eine Funktion calculateLotSize(), aber die wird in Ihrer Demonstration nicht verwendet. Und glauben Sie ernsthaft, dass Einzelhändler fast jede einzelne 4-Stunden-Kerze handeln werden? Das spätere Backtest-Ergebnis war nicht profitabel, aber Sie behaupten, dass es alle paar Monate optimiert werden sollte. Aber was genau würde optimiert werden? Die Indikatorperiode?
Ich habe viele Ihrer Artikel gelesen, und sie sind meist interessant. Ich denke jedoch, dass dieser Artikel nicht gut aufgebaut ist, und ich würde den Lesern raten, nicht zu viel Zeit damit zu verschwenden, so wie ich es getan habe. Ich hoffe wirklich, dass Sie die Qualität Ihrer Artikel in Zukunft beibehalten.
Hier sind zwei Beispiele für Probleme, die ich mit Ihrem Code hatte:
-
Die Funktion isPositiveDefinite() soll prüfen, ob eine einzelne 3×3-Kovarianzmatrix positiv definiert ist. In InitializeHMM übergeben Sie jedoch das gesamte emissionCovs-Array an isPositiveDefinite() anstelle einzelner 3×3-Matrizen.
-
Die Art und Weise, wie Sie das Strategiesignal quantifizieren, ist ebenfalls fehlerhaft. Sowohl die Log-Likelihood der Strategie als auch der Strategietrend geben genau das gleiche Signal aus, während das HMM-Signal irrelevant zu sein scheint. Wenn man das HMM-Signal ausschaltet, ändert sich buchstäblich nichts, obwohl sich Ihr gesamter Artikel um die HMM-Implementierung dreht.
Ihre Strategie basiert auf Arbitrage, und die Losgröße sollte ein wesentlicher Bestandteil davon sein. Sie haben zwar eine Funktion calculateLotSize(), aber die wird in Ihrer Demonstration nicht verwendet. Und glauben Sie ernsthaft, dass Einzelhändler fast jede einzelne 4-Stunden-Kerze handeln werden? Das spätere Backtest-Ergebnis war nicht profitabel, aber Sie behaupten, dass es alle paar Monate optimiert werden sollte. Aber was genau würde optimiert werden? Die Indikatorperiode?
Ich habe viele Ihrer Artikel gelesen, und sie sind meist interessant. Ich denke jedoch, dass dieser Artikel nicht gut aufgebaut ist, und ich würde den Lesern raten, nicht zu viel Zeit damit zu verschwenden, so wie ich es getan habe. Ich hoffe wirklich, dass Sie die Qualität Ihrer Artikel in Zukunft beibehalten.
Ich habe auch eine Menge Zeit damit verbracht, dieser Code ist nicht klar, sogar einige Fehler
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Anwendung der Nash'schen Spieltheorie mit HMM-Filterung im Handel :
Dieser Artikel befasst sich mit der Anwendung der Spieltheorie von John Nash, insbesondere des Gleichgewichts nach Nash, im Handel. Es wird erörtert, wie Händler Python-Skripte und MetaTrader 5 nutzen können, um Marktineffizienzen mit Hilfe der Nash-Prinzipien zu identifizieren und auszunutzen. Der Artikel enthält eine Schritt-für-Schritt-Anleitung zur Umsetzung dieser Strategien, einschließlich der Verwendung von Hidden-Markov-Modellen (HMM) und statistischer Analysen, um die Handelsleistung zu verbessern.
Das Nash-Gleichgewicht ist ein Konzept in der Spieltheorie, bei dem davon ausgegangen wird, dass jeder Spieler die Gleichgewichtsstrategien der anderen Spieler kennt und kein Spieler etwas zu gewinnen hat, wenn er nur seine eigene Strategie ändert.
In einem Nash-Gleichgewicht ist die Strategie eines jeden Spielers optimal, wenn die Strategien aller anderen Spieler berücksichtigt werden. Ein Spiel kann mehrere Nash-Gleichgewichte oder gar keins haben.
Das Nash-Gleichgewicht ist ein grundlegendes Konzept der Spieltheorie, benannt nach dem Mathematiker John Nash. Sie beschreibt einen Zustand in einem nicht-kooperativen Spiel, in dem jeder Spieler eine Strategie gewählt hat und kein Spieler davon profitieren kann, wenn er seine Strategie einseitig ändert, während die anderen Spieler ihre Strategie unverändert lassen.
Autor: Javier Santiago Gaston De Iriarte Cabrera