Diskussion zum Artikel "Erkennung und Klassifizierung fraktaler Muster mit maschinellem Lernen"
Um zu vermeiden, dass Berechnungen in verschiedenen Zeitskalen durchgeführt werden müssen, ist es wahrscheinlich sinnvoll, die Kurse vorab in Renko-Charts umzuwandeln.
Aus akademischer Sicht ist der Ansatz interessant (ich würde ihn genauer als „Spiegelung“ bezeichnen, da man, soweit ich verstanden habe, letztendlich von den Fraktalen abweichen und eine konstante Fensterlänge von 100 wählen musste, bei der der Forward schöner aussieht), aber meiner Meinung nach werden die Zusammenhänge zwischen Vergangenheit und Zukunft in den Kursreihen ständig und unerwartet durch äußere Einflüsse unterbrochen.
PS: Tippfehler: „im Bereich von 15 bis 30 festlegen“, es muss bis 300 heißen.
Um zu vermeiden, dass Berechnungen auf verschiedenen Zeitskalen durchgeführt werden müssen, ist es wahrscheinlich sinnvoll, die Kurse vorab in Renko-Werte umzurechnen.
Aus akademischer Sicht ist der Ansatz interessant (ich würde ihn genauer als „Spiegelung“ bezeichnen, da man, soweit ich verstanden habe, letztendlich von den Fraktalen abweichen und eine konstante Fensterlänge von 100 wählen musste, bei der der Forward schöner aussieht), aber meiner Meinung nach werden die Zusammenhänge zwischen Vergangenheit und Zukunft in den Kursreihen ständig und unerwartet durch äußere Kräfte unterbrochen.
PS: Tippfehler: „im Bereich von 15 bis 30 festlegen“, es muss bis 300 heißen.
Ich habe noch keine Lösung gefunden, wie man die zeitliche Variabilität von Fraktalen berücksichtigen kann. Denn das Modell beginnt, sie einfach zu speichern, und bei neuen Daten tauchen genau dieselben nicht mehr auf. Bei einem festen Zeitfenster ist die Variabilität offenbar geringer – es muss weniger gespeichert werden :)
Mit der Zeit wird sich schon etwas ergeben, denn im Voraus ist nicht bekannt, was genau zu tun ist.Man weiß im Voraus nicht, was genau zu tun ist
Da war dieser James Simons, der wusste, was zu tun war.
Maschinelles Lernen, KI – das ist alles großartig.
Die Aufgaben für die Maschine stellt der Mensch. Das menschliche Bewusstsein, geschweige denn das Unbewusste, ist noch sehr wenig erforscht. Vom kollektiven Unbewussten ganz zu schweigen. Doch genau dort liegt meiner Meinung nach der Schlüssel zum Verständnis der Funktionsweise der Märkte.
Haben Sie zufällig schon einmal „Der bronzerne Vogel“ von Yamvlikh und Rybakov gelesen?
Da war dieser James Simons, er wusste, was zu tun war.
Maschinelles Lernen, KI – das ist alles großartig.
Die Aufgaben für die Maschine stellt der Mensch. Das menschliche Bewusstsein, geschweige denn das Unbewusste, ist noch sehr wenig erforscht. Vom kollektiven Unbewussten ganz zu schweigen. Doch genau dort liegt meiner Meinung nach der Schlüssel zum Verständnis der Funktionsweise der Märkte.
Haben Sie zufällig schon einmal „Der bronzerne Vogel“ von Yamvlikh und Rybakov gelesen?
Dieser Artikel handelt von maschinellem Lernen und Fraktalen. Artikel prägen das kollektive Unbewusste.
Mir geht es nicht nur um diesen Artikel. Der Artikel ist nicht schlecht, im Rahmen des Mainstreams. Es geht um etwas anderes.
„Ich habe noch nicht herausgefunden, wie man die zeitliche Variabilität von Fraktalen berücksichtigen kann“ – dabei ist dies ein Schlüsselparameter, der die Aussagekraft jeder Prognose bestimmt.
Und das ist nicht nur Ihr Problem, sondern ein globales Problem – die Veränderung aller Koeffizienten bei zeitabhängigen Variablen.
Um das Wesen des Problems zu verstehen, muss man einen Schritt zurücktreten und die zugrunde liegenden Konzepte neu überdenken. Beispielsweise sind die meisten Fraktale nicht selbstähnlich: 1 Dollar im Jahr 2000 entspricht nicht 1 Dollar im Jahr 2025 (das heißt, 1 ist nicht gleich 1).
Man könnte noch viele weitere Beispiele anführen: In der Gesellschaft (Wirtschaft) herrscht die Pareto-Verteilung vor und nicht die Gaußsche Verteilung, weshalb die meisten statistischen Methoden nicht auf die Marktanalyse anwendbar sind usw.
Simons’ Erfolg legt nahe, dass es eine Lösung für das Problem gibt, man muss sie nur an anderer Stelle suchen.
Mir geht es nicht nur um diesen Artikel. Der Artikel ist nicht schlecht, zumindest im Mainstream-Kontext. Es geht um etwas anderes.
„Ich habe noch nicht herausgefunden, wie man die zeitliche Variabilität von Fraktalen berücksichtigen kann“ – dabei ist dies ein entscheidender Parameter, der die Aussagekraft jeder Prognose bestimmt.
Und das ist nicht nur Ihr Problem, sondern ein globales Problem – die Veränderung aller Koeffizienten bei zeitabhängigen Variablen.
Um das Wesen des Problems zu verstehen, muss man einen Schritt zurücktreten und die Grundbegriffe neu überdenken. Beispielsweise sind die meisten Fraktale nicht selbstähnlich: 1 Dollar im Jahr 2000 entspricht nicht 1 Dollar im Jahr 2025 (das heißt, 1 ist nicht gleich 1).
Man könnte noch viele weitere Beispiele anführen: In der Gesellschaft (Wirtschaft) herrscht die Pareto-Verteilung vor und nicht die Gaußsche Verteilung, weshalb die meisten statistischen Methoden nicht auf die Marktanalyse anwendbar sind usw.
Simons’ Erfolg legt nahe, dass es eine Lösung für das Problem gibt, man muss sie nur an anderer Stelle suchen.
Bei ihm geht es anscheinend um Arbitrage. Auch viele Arbitrage-Strategien funktionieren mit der Zeit nicht mehr.
Die Hilbertos?
Im Grunde gibt es so gut wie keine detaillierten Informationen über Simons’ Arbeitsmethoden, was verständlich ist. Es ist jedoch bekannt, dass er sein Kapital jährlich verdoppelte und sein Vermögen gegen Ende seines Lebens auf über 20 Milliarden geschätzt wurde.
Aber es geht nicht um ihn, sondern um die Möglichkeit an sich, eine Formel zu finden. Mehrdimensionale Räume sind die heutige Terminologie für pythagoreische Ideen. Das ist ein sehr tiefgründiges Thema. Auch die Multifraktalität lässt sich als eine Art primitives Analogon zum mehrdimensionalen Raum betrachten, in dem Knoten und Kanten Projektionen verborgener Bewegungen auf ein Diagramm darstellen. Falls Sie sich für dieses Thema interessieren, kann ich Ihnen gerne meine Überlegungen und Erkenntnisse mitteilen – am besten jedoch in einem persönlichen Schriftwechsel.
- 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 Erkennung und Klassifizierung fraktaler Muster mit maschinellem Lernen :
Im ersten Artikel haben wir die grundlegenden Aspekte der multifraktalen Markttheorie eingehend untersucht. Wir haben festgestellt, dass Kurscharts unter dem Einfluss externer Informationen, die sie strukturieren, bestimmte sich wiederholende Muster bilden können. Die Marktteilnehmer bilden ein komplexes dynamisches System, das über Gedächtniselemente verfügt, die sich in Form bestimmter Marktsymmetrien (Muster) äußern. Diese Muster können sich im Laufe der Zeit weiterentwickeln oder sich wiederholen. Aufgrund der Selbstähnlichkeit fraktaler Marktstrukturen lassen sich Muster über verschiedene Zeitskalen hinweg darstellen.
Dieser Artikel stellt einen neuartigen Ansatz zur Erkennung und Klassifizierung fraktaler Muster vor. Die Analyse wird in Python durchgeführt, wobei die finalen Modelle im ONNX-Format in das MetaTrader-5-Terminal exportiert werden können.
Autor: dmitrievsky