Predicción de mercado basada en indicadores macroeconómicos - página 6
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
En mql es algo así.
if(h<3) { h=pow(4./3./n,0.2); }
Aquí hay un error. Si no se indica h, se calcula mediante la fórmulah=pow(4./3./n,0.2). Si se especifica como parámetro de entrada p_h, entonces h = p_h. En Matlab, la variable que mide el número de entradas se llama nargin. Si nargin<3, significa que sólo se especifican las dos primeras entradas cuando se llama a la función, x e y. En este caso calculamos h mediante la fórmula.
if(h<3) { h=pow(4./3./n,0.2); }
Aquí hay un error. Si no se indica h, se calcula mediante la fórmulah=pow(4./3./n,0.2). Si se especifica como parámetro de entrada p_h, entonces h = p_h. En Matlab, la variable que mide el número de entradas se llama nargin. Si nargin<3, significa que sólo se especifican las dos primeras entradas cuando se llama a la función, x e y. En este caso calculamos h mediante la fórmula.
Me encontré con un artículo y me pareció que estaba en el tema. El archivo está en el adjunto.
Esta es la frase
Se presentan pruebas de una profunda interacción entre las propiedades jerárquicas de las correlaciones cruzadas y la multifractalidad de los rendimientos diarios de las acciones de la Bolsa de Nueva York.
Me encontré con un artículo y me pareció que estaba en el tema. El archivo está en el adjunto.
Esta es la frase
Se presentan pruebas de una profunda interacción entre las propiedades jerárquicas de las correlaciones cruzadas y la multifractalidad de los rendimientos diarios de las acciones de la Bolsa de Nueva York.
Este artículo me resulta difícil de entender, pero gracias de todos modos.
Me preguntaba por la distribución de las desviaciones positivas y negativas de los precios de mercado. Se discutió aquí una vez y la conclusión fue que las desviaciones negativas son más fuertes que las positivas. Intentaré sustituir la regresión de una sola línea por dos líneas, una para los valores de entrada positivos y otra para los negativos. Veré lo que pasa.
Este artículo me resulta difícil de entender, pero gracias de todos modos.
Me preguntaba por la distribución de las desviaciones positivas y negativas de los precios de mercado. Esto se discutió aquí una vez y la conclusión fue que las desviaciones negativas son más fuertes que las positivas. Voy a intentar sustituir una regresión de una sola línea por dos líneas, una para los valores de entrada positivos y otra para los negativos. Veré lo que pasa.
Hay dos tipos de modelos:
Los bosques RandomForest son muy comunes para la clasificación, funcionan muy bien para los datos de origen con muchas variables que tienen un pequeño número de dimensiones. Por lo general, 50-100 mediciones son suficientes. Y las variables pueden ser varias decenas de miles.
Para los cálculos aproximados, Rattle es muy útil. Has mencionado Matlab, así que para ti Rattle es un día de trabajo y 6 modelos de ambos tipos quedan disponibles, tanto de regresión como de clasificación. Allí también se pueden observar las correlaciones, descartar algunas variables, estimar el resultado..... Obtenga mucha información interesante sobre sus variables. Por cierto, evalúa la importancia de las variables.
Dedica tiempo a Rattle -no te arrepentirás, sobre todo en tu etapa y tus objetivos- para ver qué consigues.
¿Quiere añadir estos datos a su clasificador? "Proyecto Meta COT - nuevos horizontes para el análisis de los informes CFTC en el terminal MetaTrader 4". Sería interesante ver cómo de fuerte es su predicción.
Miré el artículo pero no entendí los datos. Me encantaría probar nuevos datos, pero dime exactamente de qué tipo y dónde conseguirlos. Los datos deben llegar al menos hasta 1980 (idealmente si son de 1960). La RMS de las predicciones de mi sistema disminuye si se desplaza el inicio del historial hacia la derecha y sus predicciones son peores que las aleatorias si el inicio del historial de entrenamiento se desplaza después de 1980. Esto se debe probablemente a una reducción del número de predicciones pasadas en base a las cuales se eligen los mejores predictores para el periodo analizado desde el año 2000. Ya estoy bombeando el ratio put/call para el S&P 500 pero estos datos son descartados por mi sistema ya que parten de 1995 y el sistema empieza a aprender desde 1960. Todos los datos que comienzan después de 1860 se descartan automáticamente.
Por desgracia, el requisito de la profundidad de 1960 es muy duro. Los COT, tal y como se empezaron a publicar ahora, se empezaron a montar a finales de los 80 (los buenos años ochenta).
Trata de armar un modelo que requiera menos historia para aprender. El COT sale una vez a la semana, los ratios put/call suelen estar disponibles al final de cada día. Es decir, el número total de mediciones para estos datos podría ser incluso mayor que para los informes mensuales.
En todo caso, los datos están aquí: http://www.cftc.gov/MarketReports/CommitmentsofTraders/HistoricalCompressed/index.htm
¿Cómo podemos predecir el desplome causado en mayo de 2010 por un error del robot (todo el mundo ha llegado a esta opinión) y el euro se desplomó más de 1000 (!) pips o el desplome causado por el comportamiento del franco en enero?
¡Por eso un choque es un choque que se produce INMEDIATAMENTE! :)
Un fallo provocado por el algoritmo es un error del algoritmo, ocurre raramente y se puede corregir analizando la situación y el propio algoritmo.
Pero los choques ocurren todos los días, cualquier cambio brusco de la tasa desde el estado de equilibrio puede considerarse desde el punto de vista de un choque.
Este choque es causado por el comportamiento de la multitud y tiene sus presagios. Todo el mundo los busca.