Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2566
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
https://www.mql5.com/ru/forum/375928/page2
si 0 ≤ H < 0,5 - los precios son fractales, se confirma la validez de la FMH, hay "colas pesadas" en la distribución de las variables, series antipersistentes, es decir, correlación negativa en los cambios de precios, ruido rosa con cambios frecuentes en la dirección de los precios;Vorontsov es probablemente el mejor experto del Ministerio de Defensa en Rusia. Por lo tanto, el curso está destinado a ser bueno, pero al ser para informáticos, omite matemáticas básicas e importantes para nosotros. He observado muchas veces que para la aplicación de métodos matemáticos en el trading, pocos son adecuados en su forma básica y simplificada.
El MO se basa (véase, por ejemplo, Tibshirani) en el supuesto de que existe una distribución conjunta constante de predictores y respuestas P(X,Y). A partir de ella, se puede calcular la probabilidad condicional Py(Y|X), a partir de la cual se puede calcular la regresión Y=f(X). Eventualmente, esta regresión es aproximada por algunos modelos de MO. En el mundo físico esta teoría funciona más o menos. Pero no en el comercio. Resulta que P(X,Y) cambia de forma imprevisible con el tiempo (no estacionariedad) y toda la teoría se derrumba un poco.
El enfoque más común es simplemente ignorar la no estacionariedad y luego sorprenderse con los resultados y quejarse del modus operandi).
Es importante entender exactamente: ¿"no estacionariedad" de qué? y no descender a la no estacionariedad de la propia serie temporal. Probablemente se puede ignorar la no estacionariedad del propio cociente.
La piedra angular es la probabilidad condicional Py(Y|X).
En lugar de la probabilidad condicional, es más conveniente utilizar el "poder predictivo" del predictor con respecto a un profesor concreto.
Introduje una medida de dicha capacidad de predicción y ejecuté una ventana en BP, tecleando estadísticas de 2000 ejemplos. En concreto, señalaré que no se menciona en absoluto a los modelos. Buscando un par predictor-docente.
Aquí está parte de los resultados: la columna es un solo predictor, las líneas de resumen se dan: la capacidad de predicción media, la desviación estándar y el % por conveniencia.
Vemos que entre los predictores hay uno con una relación sd/media de aproximadamente el 10%. Pero notablemente, NO he encontrado ningún predictor que tenga este porcentaje mayor al 100%.
Así pues, el reto del diseño consiste en encontrar un conjunto de predictores para un profesor concreto que se limite a una relación sd/media del 10%, o preferiblemente del 5%, que pueda ser despreciada. La estabilidad de la previsibilidad es la piedra angular de un sistema de comercio.
buscar en google la frase textualmente
"
Resultaque el mejor predictor del valor futuro del nivel de la serie es su valor actual"
Es importante entender con precisión: ¿"no estacionariedad" de qué? y no saltar a la no estacionariedad de la propia serie temporal. Probablemente se puede ignorar la no estacionariedad del propio cociente.
La piedra angular es la probabilidad condicional Py(Y|X).
En lugar de la probabilidad condicional, es más conveniente utilizar el "poder predictivo" del predictor con respecto a un profesor concreto.
Introduje una medida de dicho poder predictivo y ejecuté una ventana en BP, tecleando estadísticas de 2000 ejemplos. En concreto, señalaré que no se menciona en absoluto a los modelos. Buscando un par predictor-docente.
Aquí está parte de los resultados: la columna es un solo predictor, las líneas de resumen se dan: la capacidad de predicción media, la desviación estándar y el % por conveniencia.
Vemos que entre los predictores hay uno con una relación sd/media de aproximadamente el 10%. Pero notablemente, NO he encontrado ningún predictor que tenga este porcentaje superior al 100%.
Así pues, el reto del diseño consiste en encontrar un conjunto de predictores para un profesor concreto que se limite a una relación sd/media del 10%, o preferiblemente del 5%, que pueda ser despreciada. La estabilidad de la capacidad de predicción es la piedra angular de un sistema de negociación.
Es importante entender con precisión: ¿"no estacionariedad" de qué? y no saltar a la no estacionariedad de la propia serie temporal. Probablemente se puede ignorar la no estacionariedad del propio cociente.
La piedra angular es la probabilidad condicional Py(Y|X).
En lugar de la probabilidad condicional, es más conveniente utilizar el "poder predictivo" del predictor con respecto a un profesor concreto.
Introduje una medida de dicha capacidad de predicción y ejecuté una ventana en BP, tecleando estadísticas de 2000 ejemplos. En concreto, señalaré que no se menciona en absoluto a los modelos. Buscando un par predictor-docente.
Aquí está parte de los resultados: la columna es un solo predictor, las líneas de resumen se dan: capacidad de predicción media, desviación estándar y % por conveniencia.
Vemos que entre los predictores hay uno con una relación sd/media de aproximadamente el 10%. Pero notablemente, NO he encontrado ningún predictor que tenga este porcentaje mayor al 100%.
Así pues, el reto del diseño consiste en encontrar un conjunto de predictores para un profesor concreto que se limite a una relación sd/media del 10%, o preferiblemente del 5%, que pueda ser despreciada. La estabilidad del predictor es la piedra angular de un sistema de negociación.
Sin la estacionariedad de la serie, los cálculos estadísticos como el suyo pueden carecer de sentido: los valores de la muestra pueden no converger a los valores reales. Por ejemplo, no es difícil pensar en un ejemplo en el que la correlación muestral de los incrementos adyacentes sea distinta de cero, pero la correlación verdadera sea cero.
PS.
La estacionariedad se entiende "en sentido estricto": distribuciones conjuntas independientes del tiempo.
La estacionariedad puede ser incompleta - por ejemplo, referirse sólo a las distribuciones conjuntas de los incrementos (procesos con incrementos estacionarios).
Por supuesto, es correcto hablar de estacionariedad de una pendiente y no de una serie que es sólo una de las realizaciones de un proceso determinado. Pero no estamos en un examen, así que no importa).
La estacionariedad suele entenderse como una variante "en sentido amplio". Sólo recuerdan la constancia de la media y la varianza, olvidando la condición de la FCA. En cualquier caso, dicha estacionariedad no es suficiente en MO (será suficiente para los modelos lineales).
Es un elemento del arte del artesano en MO, encontrar esas conexiones. Yo hago algo parecido basándome en mi experiencia. A menudo buscan dependencias a través de la entropía cruzada, lo que consume recursos. ¿Es más rápido para ti?
Aproximadamente un segundo por predictor (XEON-1620).
Sin la estacionariedad de las series, los cálculos estadísticos como el suyo pueden carecer de sentido: puede que no haya convergencia de los valores muestreados con los valores reales. Por ejemplo, no es difícil pensar en un ejemplo en el que la correlación muestral de los incrementos adyacentes sea distinta de cero, pero la correlación verdadera sea cero.
PS.
La estacionariedad se entiende "en sentido estricto": distribuciones conjuntas independientes del tiempo.
La estacionariedad puede ser incompleta - por ejemplo, referirse sólo a las distribuciones conjuntas de los incrementos (procesos con incrementos estacionarios).
Por supuesto, es correcto hablar de estacionariedad de una pendiente y no de una serie que es sólo una de las realizaciones de un proceso dado. Pero no estamos en un examen, así que no importa).
La estacionariedad suele entenderse como una variante "en sentido amplio". Sólo recuerdan la constancia de la media y la varianza, olvidando la condición de la FCA. En cualquier caso, dicha estacionariedad no es suficiente en MO (será suficiente para los modelos lineales).
No me interesa el cociente en sí. Me interesa la capacidad del predictor para predecir al profesor. Para mí el mayor error de la gran mayoría de los comerciantes está en sus intentos de resolver el kotir en sí. Y necesitamos la predicción del profesor. Este es un problema completamente diferente.
No me interesa el cotier en sí. Me interesa la capacidad del predictor para predecir al profesor. Para mí, el mayor error de la gran mayoría de los comerciantes es tratar de resolver los problemas del propio kotir. Y necesitamos la predicción del profesor. Este es un problema completamente diferente.
¿Qué es esta "predicción del profesor"?