Regresión Bayesiana - ¿Alguien ha hecho un EA utilizando este algoritmo? - página 17
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
Leyendo sobre el trabajo de Bayes en artículos de divulgación científica me encontré con el siguiente problema.
"Supongamos que un barril contiene muchos huevos pequeños de plástico. Algunos están coloreados de rojo y otros de azul. El 40% de los huevos contienen perlas y el 60% están vacíos. El 30% de los huevos que contienen perlas son de color azul y el 10% de los huevos vacíos también son azules. ¿Cuál es la probabilidad de que el huevo azul contenga perlas?"
A primera vista, la probabilidad parece pequeña, ya que sólo el 30% de los huevos con perlas son azules. De hecho, por el contrario, la probabilidad de que el azul contenga perlas es del 67%, el doble de la probabilidad de que no las contenga.
"El 40% de los huevos contienen perlas y el 30% de ellos son azules, por lo que el 12% de los huevos contienen perlas y son azules.
El 60% de los huevos no contienen perlas, y el 10% de ellos son azules, por lo que el 6% de los huevos son azules y no contienen perlas.
12% + 6% = 18%, por lo que la proporción total de huevos azules es del 18%.
Ya sabemos que el 12% de los huevos son azules y contienen perlas, por lo que la probabilidad de que un huevo azul contenga perlas es de 12/18, es decir, aproximadamente el 67%".
O según la fórmula de Bayes: la probabilidad de que el huevo azul contenga perlas P(A|B)=P(B|A)*P(A)/P(B)=0,4*0,3/0,18=0,67.
P(A)= p(perlas) = 0,4 probabilidad de que el huevo contenga una perla .
P(B|A)=p(azul| perla) = 0,3 probabilidad de que el huevo sea azul si contiene perlas
P(B)=p(azul) = 0,18 probabilidad de que el huevo sea azul.
Sustituido "barril" por "gráfico", los huevos azules son velas bajistas, los huevos rojos son velas alcistas, las perlas - más del 70% de los incrementos de precio dentro de la barra son positivos, o en definitiva - muchos incrementos positivos (MPP).
Supongamos que las velas rojas son alcistas y las azules son bajistas. El 40% de las velas tienen PPM y el 60% no. El 30% de las velas que contienen MPP son bajistas y el 18% de todas las velas son también bajistas. ¿Cuál es la probabilidad de que una vela bajista contenga MPP.
Aquí, a primera vista, la probabilidad es aún menor: el mismo 30% de las velas que contienen MPP son bajistas y la propia vela es bajista, por lo que debería contener más incrementos negativos que positivos. Pero según los cálculos en este caso tenemos el mismo 67%.
La probabilidad de la vela bajista contiene MPP. P(MPP|oso) =P(MPP)*P(oso|Oso)/P(oso)=0,4*0,3/0,18=0,67
P(A) = p(MPP)=0,4 probabilidad de que la vela contenga MPP .
P(B|A)=p(bajista|MPP) = 0,3 probabilidad de que la vela sea bajista si contiene MPP
P(B)=p(bajista) = 0,18 probabilidad de que la vela sea bajista.
En este caso, si una vela tiene la mayoría de los incrementos positivos, necesita más incrementos negativos para convertirse en bajista. Esto es cierto para cualquier ley de distribución de los incrementos de precio dentro de la vela o para la falta de cualquier.
Aquí hay otra cosa que leí:
"Los experimentos psicológicos[1] han demostrado que las personas suelen estimar incorrectamente la probabilidad de un suceso basándose en su experiencia(probabilidad a posteriori) porque ignoran la probabilidad de la propia suposición(probabilidad a priori). Por lo tanto, el resultado correcto según la fórmula de Bayes puede ser muy diferente del resultado intuitivamente esperado".
Ya ves, es así.
...
En este caso, si una vela tiene la mayoría de sus incrementos positivos, entonces para que sea bajista, los incrementos negativos deben ser más largos. Esto es cierto para cualquier ley de distribución de los incrementos de precio dentro de una vela, o para la falta de ella.
...
Para llegar a esa conclusión, ¿se aplicó el teorema de Bayes?
La estimación incorrecta en los problemas de probabilidad también puede ser el resultado de una presentación poco atractiva de las condiciones del problema.
La forma más fácil de cerrarme la boca es mostrar el funcionamiento del modelo polinómico con este ejemplo....
Y cuántos Reshetts se han burlado de ti, y cuántos adeptos (18) han muerto en el hilo de la predicción...))
Hace tiempo escribí que el mercado es un sistema que reacciona a las noticias. Todas estas discusiones sobre la distribución estadística de los precios, la volatilidad y los errores de regresión son inútiles. Si tomamos el comportamiento de los precios en los momentos de publicación de noticias (y esos momentos son conocidos y regulares), obtendremos una distribución. Si elegimos horarios de sesiones nocturnas obtendremos otra distribución. La regresión de los precios de mercado también es inútil. La cola de la regresión se moverá y dependerá de los precios entrantes. Utilice guiones si necesita suavizar la serie de precios. Extrapolar una regresión es una utopía. El precio no es una piedra que se lanza y luego se intenta determinar dónde estará después de un periodo de tiempo. Aplicar algoritmos de seguimiento de cohetes tampoco funciona. Sin embargo, centrarse en los momentos de la publicación de las noticias (choques externos) y seguir el precio inmediatamente después del choque tiene sentido. Se pueden detectar regularidades y obtener beneficios. Pero es un error y un "opio para el pueblo" teórico considerar toda la serie de precios como un todo y hablar de sus características promediadas.
Recuerdo que quería encontrar un algoritmo decente para comprobar el impacto de ciertas noticias en los mercados.
Mi opinión sobre las noticias es que sólo las noticias muy importantes e inesperadas cambian la dirección del mercado y la lógica del comportamiento de los precios que no puede ser descrita por las reglas del análisis técnico. En todos los demás casos, las noticias pueden afectar al movimiento del precio, pero el movimiento en sí es técnico y claro.
Recuerdo que querías encontrar un algoritmo decente para comprobar el impacto de ciertas noticias en los mercados.
Mi opinión sobre las noticias es que sólo las noticias muy importantes e inesperadas cambian la dirección del mercado y la lógica del comportamiento de los precios que no puede ser descrita por las reglas del análisis técnico. En todos los demás casos, las noticias pueden influir en el movimiento del precio, pero el movimiento en sí es técnico y claro.
¿Se aplicó el teorema de Bayes para llegar a esta conclusión?
La estimación incorrecta en problemas de probabilidad también puede deberse a una presentación poco atractiva de las condiciones del problema.
En este ejemplo también se puede llegar a una conclusión puramente lógica. Pero, en mi opinión, la fórmula de Bayes se aplica correctamente en este caso. Aunque no puedo dar fe de ello, porque estudio el tema a partir de artículos para "dummies".
http://baguzin.ru/wp/wp-content/uploads/2013/09/%D0%98%D0%BD%D1%82%D1%83%D0%B8%D1%82%D0%B8%D0%B2%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%8A%D1%8F%D1%81%D0%BD%D0%B5%D0%BD%D0%B8%D0%B5-%D1%82%D0%B5%D0%BE%D1%80%D0%B5%D0%BC%D1%8B-%D0%91%D0%B0%D0%B9%D0%B5%D1%81%D0%B0.pdf
Hace tiempo escribí que el mercado es un sistema que reacciona a las noticias. Toda esta charla sobre la distribución estadística de los precios, la volatilidad y los errores de regresión es inútil. Si tomamos el comportamiento de los precios en los momentos de publicación de noticias (y esos momentos son conocidos y regulares), obtendremos una distribución. Si elegimos horarios de sesiones nocturnas obtendremos otra distribución. La regresión de los precios de mercado también es inútil. La cola de la regresión se moverá y dependerá de los precios entrantes. Utilice guiones si necesita suavizar la serie de precios. Extrapolar una regresión es una utopía. El precio no es una piedra que se lanza y luego se intenta determinar dónde estará después de un periodo de tiempo. Aplicar algoritmos de seguimiento de cohetes tampoco funciona. Aunque, centrarse en los momentos de la publicación de las noticias (choques externos) y el seguimiento de los precios inmediatamente después del choque tiene sentido. Se pueden detectar regularidades y obtener beneficios. Pero es un error y un "opio para el pueblo" teórico tomar toda la serie de precios como un todo y hablar de sus características promediadas.
Escribí el Asesor Experto en 2011 y estaba listo para ejecutarlo en real, pero muchas empresas de forex en los Estados Unidos cerraron, incluso Alpari.
¡Jesús!
¿Cuándo van a empezar a leer libros?
Porque se sabe lo que se sabe y se sabe lo que no se sabe.
Sólo tienes que sentarte y leer.
1. Para empezar, intenta entender las palabras que decimos:
ANÁLISIS TÉCNICO.
Análisis, y luego está la palabra previsión - estas palabras tienen significados diferentes y no son sinónimos. Las personas que saben de análisis técnico se llaman chartistas, es decir, personas que dibujan gráficos. Nada más. Es una capacidad de la psique humana para percibir la información en forma gráfica mejor que en la digital. No más que eso. Es cierto que hay personas, muy raras, que miran los gráficos dibujados durante mucho tiempo, de 3 a 5 años, toman decisiones en el mundo real y acaban operando de forma rentable. Quizá se pregunte quién está leyendo esto, si forma parte de esta categoría de personas.
2 El hecho de que las regresiones no pueden aplicarse a los mercados financieros se conocía hace unos 100 años. Pero esa gente fue asfixiada por Markowitz en 1952, cuando inventó la teoría de la cartera. Dio un aparato matemático que le permitió equilibrar la rentabilidad y el riesgo. Incluso le dieron el Nobel en 1992, a pesar de que en 1987 todas las carteras se hundieron al igual que la teoría de Markowitz.
Todo el mundo se acordó de las publicaciones de Mandelbrot de mediados de 1960 y empezó a señalar intensamente a las colas de las distribuciones, porque los acontecimientos de 1987 son casi increíbles, y sucedió, como Mandelbrot predijo antes de los males de 1987 20 años antes.
Aquí se recordaba a otras personas: Box-Jenkins, que había propuesto un modelo 15 años antes de la crisis de 1987.
3. el modelo ARIMA. Los autores del modelo afirmaron que era imposible utilizar las cotizaciones iniciales y que era necesario utilizar los incrementos de precios. Así es como se deshicieron de las tendencias. Dieron un modelo y una metodología de su construcción. Todavía se utiliza en el Gobierno de Estados Unidos. Está a disposición del público.
4. Casi de inmediato, la gente inteligente se dio cuenta de que ARIMA es un modelo viable, pero en una parte muy estrecha de los mercados financieros. Y formularon: es necesario tener en cuenta los cambios en la dispersión - se trata de una variedad de modelos ARCH. Estos modelos ampliaron el alcance de los métodos matemáticos.
5. Casi al mismo tiempo que Granger inventó su modelo de cointegración, también se hizo un novato. Dijo que ARMA, ARIMA, ARCH, GARCH y todo lo demás no es lo mismo, pero es posible combinar dos activos de tal manera que se obtenga un resultado estacionario, y si es así, todos los métodos de estadística empiezan a funcionar perfectamente, incluidas las regresiones y los análisis y previsiones adecuados. Y realmente funciona.
6. Y luego, en 1998 y después en 2007, se recordó la idea de la estacionariedad de las series financieras como algo dudoso, así como los métodos de reducción de estas series financieras a una forma estacionaria.
Comenzaron a surgir las ideas de la inteligencia artificial en forma de aprendizaje automático en el que se argumentaba que se podía predecir el valor (métodos de regresión) o la dirección(métodos de clasificación) de la variable objetivo mediante un conjunto de valores de las variables de entrada (predictores). En el caso de la clasificación: es posible predecir una variable que toma dos valores: compra y venta. Para los amantes del AT: algo así como el pattern trading, sólo se enseña al modelo a reconocer patrones y se dispone de estadísticas.
PS.
El lugar de los modelos bayesianos en los mercados financieros está definido desde hace tiempo y con precisión: no es aplicable.
PSBP
Hay un aforismo: no existen modelos correctos, sino modelos útiles.
Y la utilidad se define únicamente por el hecho de que un modelo se aplica sólo a los datos a los que se puede aplicar.
...