Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2527
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
Esto es mucho más interesante
Tal vez abandonar la noción de que el mercado es una serie de tiempo en absoluto y finalmente hacer un avance en el análisis del mercado ...
Uno no interfiere con el otro. Las matemáticas financieras modernas son bastante compatibles con los enfoques de series temporales continuas y discretas. El problema que veo es que las aplicaciones concretas de esta ciencia publicadas abiertamente no están bien afinadas para las necesidades de nuestros comerciantes.
no lo tergiverses: tratando de discutir conmigo, sigues hablando de lo tuyo... sólo sobre las series temporales... (y hay muchas técnicas de muestreo implicadas)...
el precio a largo plazo no está en función del tiempo, lo he dicho más de una vez (y no lo voy a repetir)... Te mostré dónde puedes obtener la autocorrelación en DL... y qué usar para X e Y y para modelar qué dependencias - también lo he escrito por décima vez - es a discreción del desarrollador...
No soy el desarrollador de su modelo, no necesito probar el comportamiento del precio en el tiempo... (tal vez no debería haber garabateado en el DL - aquí todo el mundo está pensando en algo y refutándolo o probando algo a alguien - sacando una palabra de cada disciplina)... Los ingenieros que hacen MO (que no están aquí) seguirán entendiendo la estrechez del debate de la autocorrelación (por aquello de la charla friki) ya sea en tendencia o en ticks, si el modelo se construye en un aspecto mucho más amplio y en un horizonte del conjunto de aprendizaje más amplio que el horizonte donde pueden salir sus pulgas (autocorrelación)... En eso consiste el Deep Learning (en dar cuenta de todo)
Sí, he retorcido las palabras por mi propia experiencia. Por favor, perdona si te he ofendido.
La diferencia es que en el primer caso la ACF se considera para todos los pares posibles de momentos de tiempo, mientras que en el segundo caso uno de los momentos de tiempo es fijo t2=n y muchos pares de momentos de tiempo( por ejemplo, el par t1=1, t2=2) se dejan de considerar. En general, el ACF es una función de dos argumentos. Sólo para los procesos estacionarios se puede considerar el ACF como una función de un argumento t=t1-t2 (lag).
La muestra ACF siempre se calcula a partir de una muestra numérica específica (realización) de un proceso y siempre resulta ser una función de un argumento (valor de retardo). Esta es la razón principal por la que la muestra ACF de una implementación de SB no es una estimación de su ACF).
No crees que al calcular la ACF para un par de momentos temporales t1 y t2 (dejemost1 < t2 para tener certeza), en realidad estamos calculando laACF muestralcon una longitud muestral n=t2y un retardo t2-t1. Para un observador en el momento t2, la serie temporal está representada por una muestra de longitud t2. El observador no sabe qué ocurrirá después del tiempo t2.
Para que no quede totalmente sin fundamento, he aquí mis observaciones sobre las autocorrelaciones reales del mercado:
Ventana de observación para cada valor de los últimos 50 elementos, desplazada en 1, 3 y 6 elementos respectivamente.
Los resultados del coeficiente de Pearson van de -1 a 1.
En la primera pantalla de este análisis, por ejemplo, podríamos decir que en la escala de una vela había una autocorrelación negativa estable (a un valor positivo le sigue uno negativo, y viceversa)
En la escala de 3 velas se mantuvo igual pero menos estable en el punto de observación, y en la escala de 6 velas hubo una minitendencia.
Y en la segunda es bastante diferente (fíjate en los números)
Pero es una serie temporal, que por alguna razón a todos aquí no les gusta, y en general sé que soy estúpido y no entiendo nada. No quiero ofender ni enseñar a nadie con esta captura de pantalla. No te animo a hacer predicciones basadas en esos cálculos.
No crees que al calcular la ACF para un par de momentos temporales t1 y t2 (dejemost1 < t2 para tener certeza), en realidad estamos calculando laACF muestralcon una longitud muestral n=t2y un retardo t2-t1. Para un observador en el momento t2, la serie temporal está representada por una muestra de longitud t2. El observador no sabe lo que ocurre después del tiempo t2.
Sin embargo, un observador en el momento t3, t3>t2 puede estar interesado en la correlación entre los momentos t1 y t2. Y su fórmula ACF(t) =sqrt((n-t)/n) no le permite calcularlo (basta con sustituir n por t3).
Si la serie fuera estacionaria, ACF(t1, t2)=ACF(t2-(t2-t1), t2)=ACF(t3-(t2-t1), t3), pero en general la segunda igualdad no se cumple. Se podría decir que la no estacionariedad aquí es la presencia de la dependencia de en qué punto del tiempo se encuentra su observador (inhomogeneidad temporal).
¿Cómo se puede hacer una cooperativa, pero sin dejar de tener sus propios intereses? En teoría, el objetivo último (y potencialmente común) es crear un sistema rentable. Como alternativa, todos podrían trabajar con un solo dato. Aquí están los datos de algún instrumento durante ~4 meses. Se sabe que se puede obtener un pago esperado > 7 en estos datos (la comisión es de 4,4, 5 dígitos). El sistema debería dar beneficios para los 1,5 años anteriores, pero sobre eso más adelante.
Sin embargo, un observador en el tiempo t3, t3>t2 puede estar interesado en la correlación entre los tiempos t1 y t2. Su fórmula ACF(t) =sqrt((n-t)/n) no le permite calcularlo (basta con sustituir n por t3).
Si la serie fuera estacionaria, ACF(t1, t2)=ACF(t2-(t2-t1), t2)=ACF(t3-(t2-t1), t3), pero en general la segunda igualdad no se cumple. Se podría decir que la no estacionariedad aquí es la presencia de la dependencia de en qué punto del tiempo se encuentra el observador (inhomogeneidad temporal).
Pero por supuesto que no. Lo hace. Un arqueólogo en el momento t3,t3 > t2 puede desenterrar registros antiguos (por ejemplo, en un ánfora de 3 mil años de antigüedad) de SB de longitudt2. Y querrá, por ejemplo, calcular la correlación entre los momentos t1 y t2. Y le servirá mi fórmula: ACF(t) =sqrt((n-t)/n), donde n= t2, t=t2-t1. Exactamente porque, de hecho, contará la muestra ACFcuando la longitud de la muestra sea n=t2y el retardo t2-t1.Siente que el momento de tiempot3 es introducido por ti artificialmente.
Pero no es así. Lo hace. Un arqueólogo en el momento t3,t3 > t2 puede desenterrar registros antiguos (por ejemplo, en un ánfora de 3 mil años de antigüedad) de SB de longitudt2. Y querrá, por ejemplo, calcular la correlación entre los momentos t1 y t2. Y le servirá mi fórmula: ACF(t) =sqrt((n-t)/n), donde n= t2, t=t2-t1. Exactamente porque, de hecho, contará la muestra ACF cuando la longitud de la muestra sea n=t2 y el retardo t2-t1. Sientes que el momento de tiempot3 es introducido por ti artificialmente.
En esencia se llega a la misma función de dos argumentos, pero con una descripción muy artística del algoritmo de su cálculo)
El momento t3 es bastante natural y todavía se necesita el momento t4, t4>t3, para el que se construye la predicción en el momento t3)
Esencialmente, se llega a la misma función de dos argumentos, pero con una descripción muy artística de su algoritmo de cálculo)
El momento t3 es bastante natural y todavía se necesita el momento t4, t4>t3, para el que se construye la predicción en el momento t3)
Propongo considerar el fenómeno de ACF SB desde las siguientes posiciones. Para la población general de SB (muestras de longitud infinita) ACF = const = 1. Para una muestra de longitud finita n, podemos obtener una estimación dela ACF con un error típico del orden de 1/sqrt(n). Es un error de este orden que da una estimación de ACF(t) =sqrt((n-t)/n) = sqrt(1- t/n).
Propongo considerar el fenómeno del ACF de SB desde las siguientes posiciones. Para la población general de SB (muestra de longitud infinita) ACF = const = 1. Para una muestra de longitud finita n, podemos obtener una estimación deACF con un error típico del orden de 1/sqrt(n). Es un error de este orden que da una estimación de ACF(t) =sqrt((n-t)/n) = sqrt(1- t/n).
Ya no se trataría de una OS, sino de un proceso con realizaciones-constantes)
Hago una contrapropuesta para terminar nuestra maravillosa discusión antes de que Kolmogorov y Wiener se levanten de sus tumbas para golpearnos con palos)