Diskussion zum Artikel "Vorhersage von Wechselkursen mit klassischen Methoden des maschinellen Lernens: Logit- und Probit-Modelle"

Neuer Kommentar
 

Neuer Artikel Vorhersage von Wechselkursen mit klassischen Methoden des maschinellen Lernens: Logit- und Probit-Modelle :

In diesem Artikel wird der Versuch unternommen, einen Handels-EA zur Vorhersage von Wechselkursen zu erstellen. Der Algorithmus basiert auf klassischen Klassifikationsmodellen - logistische und Probit-Regression. Das Kriterium des Wahrscheinlichkeitsquotienten wird als Filter für Handelssignale verwendet.

Finanzmarktforscher stehen immer vor der schwierigen Aufgabe, ein mathematisches Modell auszuwählen, um das zukünftige Verhalten von Handelsinstrumenten vorherzusagen. Bis heute wurde eine große Anzahl solcher Modelle entwickelt. Es stellt sich also die Frage, wie man in dieser Vielfalt von Methoden und Ansätzen nicht untergeht, wo man anfängt und auf welche Modelle man sich am besten konzentriert, vor allem, wenn man gerade erst beginnt, Prognosen mit Hilfe von Modellen des maschinellen Lernens zu erstellen. Wenn wir versuchen, die Aufgabe der Vorhersage auf eine einfache Antwort auf die Frage zu reduzieren: „Wird der morgige Schlusskurs höher sein als der von heute?“, dann wären binäre Klassifizierungsmodelle die logische Wahl. Einige der einfachsten und am weitesten verbreiteten Methoden sind die Logit- und Probit-Regression. Diese Modelle gehören zu der am weitesten verbreiteten Form des maschinellen Lernens, dem so genannten überwachten Lernen.

Die Aufgabe des überwachten Lernens wiederum besteht darin, unserem Modell beizubringen, eine Reihe von Eingaben {x} (Prädiktoren oder Eigenschaften) in eine Reihe von Ausgaben {y} (Ziele oder Kennzeichnungen) umzuwandeln. Hier werden wir nur zwei Marktbedingungen vorhersagen - den Anstieg oder Fall des Preises des Währungspaares. Daher gibt es nur zwei Klassen von Kennzeichnungen y∊{1,0}. Preismuster, d. h. standardisierte Preiserhöhungen mit einer gewissen Verzögerung, werden als Prädiktoren dienen. Diese Daten bilden unseren {x, y} Trainingssatz, der zur Schätzung der Parameter unserer Modelle verwendet wird. Das auf trainierten Klassifikatoren basierende Vorhersagemodell ist als LogitExpert EA implementiert.


Autor: Evgeniy Chernish

 
Wo ist die Vorhersage in dem Sinne, dass man einen besseren Effekt erzielt als beim Zufallshandel?
 
Stanislav Korotky #:
Und wo ist die Vorhersage, in dem Sinne, dass eine bessere Wirkung als zufälligen Handel zu bekommen?
Alle Fragen zu seiner Majestät Forex-Markt und effiziente Markthypothese.
 

Danke, guter interessanter Artikel.

Imho kann man schon versuchen, Fundamentaldaten für Tagesausflüge zu nutzen. Das ist nicht im Sinne einer Kritik an dem Artikel, sondern als Denkanstoß. Ich frage mich, wie makroökonomische Daten angemessen mit Preisdaten "gemischt" werden können. Das Problem ist zum Beispiel, dass sie sich selten ändern. Wahrscheinlich kann die Makroökonomie auch irgendwie bei der Preisvorverarbeitung eingesetzt werden - zum Beispiel beim Übergang von nominalen zu realen Wechselkursen.

 
Aleksey Nikolayev #:

Imho kann man bereits bei Tagesausflügen versuchen, grundlegende Daten zu nutzen. Dies ist nicht im Sinne einer Kritik an dem Artikel, sondern als Denkanstoß zu verstehen. Ich frage mich, wie makroökonomische Daten angemessen mit Preisdaten "gemischt" werden können. Das Problem ist zum Beispiel, dass sie sich selten ändern. Wahrscheinlich kann die Makroökonomie auch irgendwie bei der Preisvorverarbeitung eingesetzt werden - zum Beispiel beim Übergang von nominalen zu realen Wechselkursen.

Es gibt einen eingebauten Nachrichtenkalender mit makroökonomischen Daten - mischen Sie deren Daten in Prädiktoren.

 
Evgeniy Chernish #:
Alle Fragen an seine Majestät den Devisenmarkt und die Hypothese des effizienten Marktes.

Der Titel ist also irreführend.

 
Aleksey Nikolayev #:

Vielen Dank, ein interessanter Artikel.

Imho kann man schon versuchen, Fundamentaldaten für Tagesausflüge zu nutzen. Das ist nicht im Sinne einer Kritik an dem Artikel, sondern als Denkanstoß. Ich frage mich, wie makroökonomische Daten angemessen mit Preisdaten "gemischt" werden können. Das Problem ist zum Beispiel, dass sie sich selten ändern. Wahrscheinlich kann die Makroökonomie auch irgendwie bei der Preisvorverarbeitung eingesetzt werden - zum Beispiel beim Übergang von nominalen zu realen Wechselkursen.

Vielen Dank, Alexey! Ehrlich gesagt habe ich mich nie für die Fundamentaldaten interessiert, und zwar nicht, weil sie keine zusätzlichen Informationen liefern können, sondern einfach, weil es unmöglich ist, das gesamte Ausmaß zu erfassen. Deshalb schaue ich noch nicht einmal in diese Richtung.
 
Stanislav Korotky #:

Der Titel ist also irreführend.

Warum? Es wird ein Klassifizierungsvorhersagemodell verwendet, das Vorhersagen macht. Es zählt korrekt, was in das Modell eingegeben wird. Was ist dann falsch? Dass das Modell eine naive Vorhersage nicht übertreffen kann? Das habe ich nicht versprochen.)
 
Evgeniy Chernish #:
Warum? Es verwendet ein Klassifizierungsvorhersagemodell, das Vorhersagen macht. Es zählt korrekt, was in das Modell eingegeben wird. Was ist also falsch? Dass das Modell eine naive Vorhersage nicht übertreffen kann? Das habe ich nicht versprochen.)

"Die Unmöglichkeit, Wechselkurse mit klassischen Methoden vorherzusagen..."

 
Stanislav Korotky #:

"Die Unmöglichkeit, Wechselkurse mit klassischen Methoden zu prognostizieren..."

Ich bin gar nicht auf die Idee gekommen, dass es unmöglich ist. Ich habe einfach eine Vorhersage gemacht und sie mit der Python-Bibliothek auf Fehler überprüft. Vielleicht fügt jemand noch ein paar Filter oder eigene Funktionen hinzu, vielleicht macht es jemand anders besser. Und Sie sofort Unmöglichkeit.
Neuer Kommentar