Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2730
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
¿No ve la lógica otra vez?
¿Cómo se puede demostrar que el mercado está cambiando? ¿Cuánto dura este proceso? ¿O cambia constantemente?
¿Cómo se puede demostrar que el mercado es cambiante? ¿Cuánto dura este proceso? ¿O cambia constantemente?
Eso es, el encantador discutidor está en marcha.
¿Y qué tamaño de muestra debe tomarse para determinar estacionariedad/no estacionariedad?
Según usted, un patrón no vive más que el tiempo que dura el cambio de la muestra, pero ¿y si tengo un patrón en mi muestra que se repite durante 8 años? ¿Qué es eso, una anomalía, o no todos los patrones están cambiando o los patrones identificados en una pequeña zona son erróneos y se deben a otros factores?
Cada predictor por separado es una muestra numérica, así que ¿por qué no estimarlos individualmente y promediar el resultado?
Esto sólo funciona en el caso de características independientes, y como se cuentan al mismo precio, no es posible. En el caso de la dependencia todo es mucho más complicado: podemos tomar como ejemplo las cópulas, en las que las distribuciones univariantes son siempre el mismo uniforme, pero las distribuciones bivariantes pueden ser muy diferentes.
Quizás deberíamos encontrar aquellas variantes que den los mejores resultados en términos de identificación de la pertenencia de segmentos a un grupo particular y la eficiencia del entrenamiento en una población agrupada.
Tienes ganas de cálculos de enumeración pesados) Tendremos que añadir (a la ya considerable cantidad de enumeración) la enumeración por tipos de características y, probablemente, por parámetros de características.
Sin embargo, me parece que hay un grano racional en su enfoque, hay algo en que pensar.
¿No escribí que la idea es comparar muestras (entrenamiento y aplicación), que si tu teoría es correcta, la muestra dejará de ser similar a medida que aumente, y que para entender esto necesitamos criterios para evaluar su cambio, que se derivan de los métodos de evaluación de la similitud?
¿Y qué tamaño de muestra debe tomarse para determinar la estacionariedad/no estacionariedad?
Según usted, un patrón no vive más tiempo que el que dura un cambio en la muestra, pero ¿y si tengo un patrón en mi muestra que se repite durante 8 años? ¿Qué es eso, una anomalía, o los patrones no están cambiando todos o los patrones identificados en una pequeña área están equivocados y se deben a otros factores?
Modelos diferentes pero similares, diferentes y no similares ¿en qué se diferencian? El punto de bifurcación no conducirá necesariamente a un cambio del modelo, es posible marcar las mismas zonas visualmente de forma manual, pero no hay ninguna parte predictiva al final, el objetivo es encontrar la longitud mínima de la muestra, lo que confirma el estado o el cumplimiento del modelo.
Complejidad del modelo, aquí por supuesto también hay una contradicción, un modelo simple no describirá una sección larga suficientemente necesaria, sino que se repetirá, un modelo complejo puede describir una sección suficientemente necesaria en longitud, pero puede ser único. Como siempre es necesario algo intermedio))))))
Complejidad del modelo, aquí por supuesto también hay una contradicción, un modelo simple no describirá una sección suficientemente necesaria en longitud, sino que se repetirá, un modelo complejo puede describir una sección suficientemente necesaria en longitud, pero puede ser único. Como siempre se necesita algo intermedio))))))
Es un lío inimaginable: todo está mezclado: caballos, gente.....
Podemos distinguir dos tipos de modelos
1. Basados en ideas de aprendizaje automático.
2. Modelos estadísticos, que son fundamentalmente los más utilizados en los mercados financieros.
MO
En mi opinión, todos los algoritmos de MO tienen un objetivo: encontrar un cierto número de patrones. En este caso, un patrón es una cadena con un valor maestro y valores de característica. ¡No hay ningún valor de filas uno al lado del otro! El número de tales patrones se puede buscar en RF, desde aproximadamente muy a menudo con 50 árboles el error de ajuste cambia muy poco. Más de 150 árboles no tiene sentido. Esa es la diversidad de los mercados financieros.
Y deberíamos razonar sobre la vida útil de estos árboles, que (la vida útil) viene determinada por la estabilidad de la conexión entre las características y el patrón. Es decir, deberíamos ocuparnos de la conexión entre rasgos y maestro.
Los modelos estadísticos son modelos GARCH.
¿Tomar el paquete rugarch y disfrutar de la vida? Todo está masticado.
En resumen.
Los modelos estadísticos se basan en el supuesto de que los mercados financieros no son estacionarios. Por eso toda la estadística ordinaria, incluidas las pruebas mencionadas, va a la cesta.
Por lo tanto:
1. Las series financieras son estacionarias, normalmente se toman incrementos (muy bueno para nosotros).
Hay publicaciones que afirman que los modelos IGARCH son los más adecuados para los mercados financieros