Discusión sobre el artículo "Aplicación de la teoría de juegos de Nash con filtrado HMM en el trading"
Me pasé un día entero intentando descifrar tu código. Las instrucciones en la sección de Python eran claras, y pude replicar casi exactamente los mismos resultados de backtest que los suyos. Sin embargo, la última parte del artículo era bastante oscura, con poca explicación de la lógica detrás del arbitraje estadístico en el comercio de pares y cómo se aplicaba exactamente la teoría de juegos.
Aquí hay dos ejemplos de problemas que encontré con su código:
-
La función isPositiveDefinite() está pensada para comprobar si una matriz de covarianza de 3×3 es definida positiva. Sin embargo, en InitializeHMM , pasas toda la matriz emissionCovs a isPositiveDefinite() en lugar de matrices 3×3 individuales.
-
La forma de cuantificar la señal de la estrategia también es errónea. Tanto la estrategia log-likelihood como la estrategia trend emiten exactamente la misma señal, mientras que la señal HMM parece irrelevante. La desactivación de la señal HMM literalmente no cambia nada, sin embargo, todo su artículo se centra en torno a la aplicación HMM.
Su estrategia se basa en el arbitraje, y el tamaño del lote debe ser una parte crucial de la misma. Usted tiene una función calculateLotSize(), pero no se utiliza en su demostración. ¿Y usted cree seriamente que los comerciantes al por menor negociarán casi cada vela de 4 horas? El último resultado del backtest no fue rentable, sin embargo, usted afirma que debe ser optimizado cada par de meses. ¿Pero qué es exactamente lo que debería optimizarse? ¿El periodo del indicador?
He leído muchos de tus artículos, y la mayoría son interesantes. Sin embargo, creo que éste no está bien construido y yo aconsejaría a los lectores a no perder demasiado tiempo en esto como yo lo hice. Espero sinceramente que mantenga la calidad de sus artículos en el futuro.
Aquí hay dos ejemplos de problemas que encontré con su código:
-
La función isPositiveDefinite() está pensada para comprobar si una matriz de covarianza de 3×3 es definida positiva. Sin embargo, en InitializeHMM , pasas toda la matriz emissionCovs a isPositiveDefinite() en lugar de matrices 3×3 individuales.
-
La forma de cuantificar la señal de la estrategia también es errónea. Tanto la estrategia log-likelihood como la estrategia trend emiten exactamente la misma señal, mientras que la señal HMM parece irrelevante. Desactivar la señal HMM literalmente no cambia nada, y sin embargo todo tu artículo se centra en la implementación HMM.
Su estrategia se basa en el arbitraje, y el tamaño del lote debe ser una parte crucial de la misma. Usted tiene una función calculateLotSize(), pero no se utiliza en su demostración. ¿Y usted cree seriamente que los comerciantes al por menor negociarán casi cada vela de 4 horas? El último resultado del backtest no fue rentable, sin embargo, usted afirma que debe ser optimizado cada par de meses. ¿Pero qué es exactamente lo que debería optimizarse? ¿El periodo del indicador?
He leído muchos de tus artículos, y la mayoría son interesantes. Sin embargo, creo que éste no está bien construido y yo aconsejaría a los lectores a no perder demasiado tiempo en esto como yo lo hice. Espero sinceramente que mantenga la calidad de sus artículos en el futuro.
Yo también pasé mucho tiempo , este código no es claro, incluso algunos errores
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Aplicación de la teoría de juegos de Nash con filtrado HMM en el trading:
Este artículo profundiza en la aplicación de la teoría de juegos de John Nash, específicamente el Equilibrio de Nash, en el trading. Se analiza cómo los traders pueden utilizar scripts de Python y MetaTrader 5 para identificar y explotar las ineficiencias del mercado utilizando los principios de Nash. El artículo proporciona una guía paso a paso sobre la implementación de estas estrategias, incluido el uso de modelos ocultos de Markov (HMM) y análisis estadístico, para mejorar el rendimiento comercial.
El equilibrio de Nash es un concepto de la teoría de juegos en el que se supone que cada jugador conoce las estrategias de equilibrio de los demás jugadores y ningún jugador tiene nada que ganar cambiando únicamente su propia estrategia.
En un equilibrio de Nash, la estrategia de cada jugador es óptima dadas las estrategias de todos los demás jugadores. Un juego puede tener múltiples equilibrios de Nash o ninguno.
El equilibrio de Nash es un concepto fundamental en la teoría de juegos, llamado así en honor al matemático John Nash. Describe un estado en un juego no cooperativo donde cada jugador ha elegido una estrategia y ningún jugador puede beneficiarse cambiando unilateralmente su estrategia mientras los otros jugadores mantienen la suya sin cambios.
Autor: Javier Santiago Gaston De Iriarte Cabrera