Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 635
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Con su ayuda, tal vez lo resolvamos :-) Es decir, si he entendido bien, es necesario elegir aquellas entradas, que rozan el cero en uno y otro lado. ¿Es así?
:)))) En este caso tienes que llamar al Asistente para que te ayude :)))).
Sólo puedo decir una cosa: es la no entropía la responsable de la tendencia/estado plano. La tendencia es la "memoria" del proceso, su "cola" de distribución y la no entropía es enorme, mientras que en el estado plano es casi nula. Sólo me ocupo de él, pero entiendo la importancia de este parámetro poco estudiado.
Qué puedo decir. Resumen preliminar...
Si se elige un modelo según el principio de proximidad a ceroYu, no importa de qué lado, entonces de 24 transacciones hay 9 errores.
Si elegimos por el principio del número más bajo, sólo hay 7 errores de 24. Además, con una entropía extrínsecamente negativa una vez fue correcta y otra fue un error. Pero, de nuevo, esto es un cálculo tonto de la entropía, mientras que necesitamos calcular la información mutua. Creo que esta métrica puede aclarar muchas cosas. Qué modelos tirar a la basura y cuáles poner en un pedestal.
¿Puede alguien explicar qué hay que hacer con los datos para calcular el VI????
Qué puedo decir. Resumen preliminar...
Si se elige un modelo según el principio de proximidad a ceroYu, no importa de qué lado, entonces de 24 transacciones hay 9 errores.
Si elegimos por el principio del número más bajo, sólo hay 7 errores de 24. Además, con una entropía extimamente negativa una vez fue correcta y otra fue un error. Pero, de nuevo, esto es un cálculo tonto de la entropía, mientras que tenemos que calcular la información mutua. Creo que es esta métrica la que puede aclarar muchas cosas. Qué modelos tirar a la basura y cuáles poner en un pedestal.
¿Alguien puede explicar qué hay que hacer con los datos para calcular VI????
¡Brillante, Mikhail!
¡¿Serás capaz de hacer el TS con entropía/no entropía más rápido que yo - cuenta PAMM o señal en el estudio! Seré el primero en apuntarme porque será la verdad.
Si se elige un modelo basado en la proximidad al cero, no importa de qué lado, entonces 9 errores de 24 operaciones.
Estas estadísticas no son suficientes: hay que multiplicarlas al menos por 100.
Si elegimos un modelo por el principio de cercanía a cero, no importa de qué lado, entonces 9 errores de 24 operaciones.
Si seguimos el principio del número más bajo, sólo 7 errores de 24.
Prueba con el número más alto, quizá no sea mucho peor.
¡Brillante, Mikhail!
Si consigues hacer un TS con entropía/no entropía antes que yo - ¡cuenta PAMM o señal en el estudio! Seré el primero en apuntarme porque será la verdad.
Lamentablemente no puedo optimizar en base a estas métricas, porque uso el optimizador de la caja, pero el pre y post procesamiento (selección de modelos), creo que puedo. Pero necesito ayuda en el cálculo de la información mutua por ejemplo. Y después de algunas investigaciones podemos sacar algunas conclusiones. Al menos será posible sacar la conclusión más importante, si estas métricas son relevantes en la preparación de los datos antes del entrenamiento y también después del entrenamiento en la selección del modelo.....
Alexander, ¿hay alguna posibilidad de podcast con explicación?
No es suficiente con las estadísticas: al menos 100 veces más.
Bueno, así soy yo... sólo apresuradamente. Personalmente, creo que el siguiente.....
Si con la ayuda de VFD podemos seleccionar las entradas relevantes que contengan la máxima información sobre la salida, entonces los modelos sobre dichas entradas funcionarán más a menudo que no. Y luego, en el proceso de ejecución del modelo en la RES, con la ayuda de VF para rastrear el momento en que el modelo pierde relevancia. Esto puede ocurrir temporalmente. He notado que después de una serie de errores, el modelo como si nada sucedió de nuevo comienza a funcionar correctamente, creo que sólo una métrica como VVI puede ayudarnos a todos en un caso tan difícil .... Lo único que queda por hacer es calcular la entropía condicional... Nadie sabe cómo hacerlo con dos columnas de excel?????
¿Crees que he estado despierto toda la noche haciendo mierda? No, he estado trabajando en el VBA. No puedo decir que sea un gurú, pero sé hacer muchos trucos. Tengo el recuento de entropía ahí, todo lo que tengo que hacer es calcular el condicional y estoy bien para ir....
Mira, Michael, cómo lo hago:
Calcular las probabilidades de ocurrencia de un evento, es decir, tal o cual incremento en la serie temporal.
Por ejemplo, para AUDCAD:
A continuación, para un volumen de muestra dado, los incrementos obtenidos sucesivamente cuentan la no-gentropía utilizando la fórmula dehttps://ru.wikipedia.org/wiki/Негэнтропия.
Observo que cuando H(x) aumenta bruscamente, comienza la tendencia.
Pero, repito, mi investigación está sólo al principio y aún está lejos de las afirmaciones en voz alta que me suele gustar hacer.
A continuación, para un volumen de muestra dado, los incrementos obtenidos sucesivamente cuentan la no-gentropía utilizando la fórmula dehttps://ru.wikipedia.org/wiki/Негэнтропия.
Observo que cuando H(x) aumenta bruscamente, comienza la tendencia.
Pero, repito, mi investigación está sólo al principio y todavía está muy lejos de las afirmaciones bulliciosas que me suele gustar hacer.
Sorprendentemente, hablas de la no entropía como un cálculo aparte, yo sólo cuento la entropía y me sale negativa. ¿cómo lo entiendes?
En cuanto a los extremos, tienes toda la razón. En mis observaciones, de 25 señales tengo dos valores de este tipo: uno - 923 y otro - 1233 y estas mismas señales eran de súper tendencia.
Sorprendentemente, hablas de la no entropía como un cálculo aparte, pero yo sólo cuento la entropía y resulta negativa.
Todavía no lo sé. Considero la no entropía como un parámetro adicional a Hearst, la asimetría, la curtosis, etc. y este parámetro es el más misterioso y, ¿cómo decirlo? - Precioso, sí.