Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1200
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
el post más sensato que he tenido en un par de meses! ... Tengo que pensarlo, hace tiempo que no lo hago, necesito preparar mi cuerpo, ¡las vacaciones se acercan!
Bueno, para conseguir probabilidad se necesita investigación (experimentos, en nuestro caso pruebas), no hay otra forma, sólo la minería de datos ayudará, pero no miro los tutoriales de YouTube, me sigues viniendo, cada lección es Python (((
vamos a empezar python antes de talov después de enero )) en el 2Q tal vez
No sé si servirá de algo, pero... Puedes probar la correlación. Imagínese el resultado ideal que desea como la curva que quiere, entonces en el proceso de encontrar el mejor modelo, compare el resultado actual con el ideal (su curva ideal) calculando la correlación. El modelo con mayor correlación con el ideal será el más cercano al modelo que se busca
Gracias por la idea, pero no es factible, porque el ideal es muy abstracto - no está claro lo que debería ser. A primera vista, cada iteración debería proporcionar mejoras, o incluso alguna mejora incremental, pero esta es una idea trivial, y no está claro ahora por qué los desarrolladores de software de MO no la han implementado. O bien se trata de una curva de aprendizaje demasiado larga que haría que el producto que crea el modelo no fuera competitivo, o bien se hicieron pruebas reales sobre la idea y no se encontraron beneficios.
Hay pocos artículos sobre la búsqueda de patrones a través de un terver, por alguna razón.
Y casi no hay información sobre Bayes, y cuando la hay, es difícil acertar.
El principal problema de Bayes es elegir la distribución a priori adecuada. En nuestro caso todo se complica por la no estacionariedad: puede aparecer la dependencia del tiempo.
Parece obvio construir el a priori sobre una historia grande y el posterior sobre una historia pequeña. El problema está en la correcta separación de estas partes de la historia bajo la no estacionariedad.
Se trata precisamente de artículos sobre la búsqueda de patrones a través de un terver que son, por alguna razón, escasos en términos de información
Por qué no - toneladas de él, prohibitivo, imposible de dominar. Se llama GARCH. Allí un modelo consta de tres partes:
¿Qué más se necesita para ser feliz, en el sentido de un teórico?
Tal vez por eso no está disponible en ninguna parte, ya que todo se recoge en una variedad de garajes (una vez publiqué un enlace - más de 100 garajes diferentes)?
El principal problema de los bayesianos es elegir la distribución a priori adecuada. En nuestro caso se complica por la no estacionariedad: puede aparecer la dependencia del tiempo.
Parece obvio construir el a priori sobre una historia grande y el posterior sobre una historia pequeña. El problema es aislar correctamente estos tramos de la historia ante la no estacionariedad.
Sí, esto es obvio y, además, ya se hace a través de MO (en el nivel de comprensión de cada uno). El segundo modelo corrige las señales del primero después de cada paso. Resultó ser muy fácil, rápido y adaptable... pero se necesita más investigación. Incluso desarrollé una teoría (bayesiana, de forma inteligente).
Por qué no - toneladas, prohibitivo, imposible de dominar. Se llama GARCH. El modelo consta de tres partes:
¿Qué más se necesita para ser feliz, en el sentido de un teórico?
Tal vez por eso no se encuentra en ninguna parte, ya que todo se recoge en una variedad de garajes (una vez que he publicado los enlaces - más de 100 garajes diferentes)?
por ejemplo, ¿se puede decir que las probabilidades condicionales, las articulaciones, etc. se definen a través de un garch?
es decir, si sólo quiero establecer el rango de búsqueda por así decirlo, buscar patrones desde lejos, en diferentes combinaciones de, digamos, incrementos, intervalos de tiempo o lo que sea
Quiero algo similar en python (el mismo tiempo será la práctica).
algo así: https://www.mql5.com/ru/articles/3264sí, esto es obvio y además, ya se hace a través de MO (en su nivel de comprensión). El segundo modelo corrige las señales del primero después de cada paso. Resultó ser muy fácil, rápido y adaptable... pero necesita más investigación. Incluso le puse una teoría (bayesiana, de forma inteligente).
Hay otra forma obvia de construir una distribución a priori. Si se asume que los precios "en el límite/en la media" se comportan como las SBs, entonces también se puede construir esta distribución sobre las SBs. En raras ocasiones, esto puede hacerse de forma analítica, pero normalmente por medio de Monte Carlo. El método es más complicado y no necesariamente mejor que el anterior.
Hay otra forma obvia de construir una distribución a priori. Si se asume que los precios "en el límite/en la media" se comportan como las SBs, entonces también se puede construir esta distribución en las SBs. En raras ocasiones, esto puede hacerse de forma analítica, pero normalmente por medio de Monte Carlo. El método es más complicado y no necesariamente mejor que el anterior.
normal, sharya :) o como otro Aleksey mostró las curvas de las distribuciones de la señal del modelo en una muestra entrenada, base normal para a priori.
todas estas cosas son robustasnormal, sharite :) o, como otro Alexei mostró las curvas de las distribuciones de la señal del modelo en una muestra entrenada, una base normal para a priori.
todas estas cosas son robustasTodo se echa a perder por la no estacionalidad, que puede ser tanto aguda como rastrera.
normal, ya sabes :) o como otro Alexey mostró curvas de distribuciones de señales del modelo en una muestra entrenada, una base normal para a priori.
todas estas cosas son robustasSi te refieres a mí, mostré curvas en una muestra de prueba y en una muestra de prueba - ni siquiera miro la muestra para el entrenamiento...