L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 239
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Essayez de décrire la bougie par deux nombres, chacun dans l'intervalle [-1,0 ; 1,0]. Ce sont les positions de O et C par rapport à H et L.
Comment faites-vous cela ?
Par la hauteur H est 1, L est -1, exprimez respectivement O et C par rapport à H et L.
La volatilité de la bougie n'est pas prise en compte ici, tous les calculs vont à l'intérieur de la bougie, et quel type de bougie c'est, une bougie de gap ou un petit dojiq le MO ne voit pas
Je pense que le plus normal, ce sont les incréments en %, mais je ne les compte pas correctement.
une sélection sur le regroupement des bougies, mais comme standardisé ne révèle pas, et ceux qui le font, je ne suis pas satisfait des résultats
https://www.elitetrader.com/et/threads/statistical-analysis-of-candlesticks-patterns.285918/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
http://intelligenttradingtech.blogspot.com/2010/06/quantitative-candlestick-pattern.html
La volatilité de la bougie n'est pas prise en compte ici, tous les calculs se font à l'intérieur de la bougie, et quel type de bougie c'est, une bougie de gap ou un petit dojiq le MO ne voit pas
Je pense que le plus normal est l'incrément en %, mais je n'y arrive pas.
La volatilité ne doit pas être prise en compte, mais les gaps doivent être supprimés (chandeliers décalés de la distance du gap).
La leçon est terminée))))
Merci, je crois que j'ai trouvé. Ça semble très simple, je n'y crois pas, mais je vais vérifier.
Il est également étrange que le signe soit un prédicteur distinct, je rendrais simplement la taille de la bougie négative si elle est en baisse. Je devrais essayer ça aussi.
Merci, je crois que j'ai compris. Ça semble très simple, je n'y crois pas, mais je vais vérifier.
Il est également étrange que le signe soit un prédicteur distinct, je rendrais simplement la taille de la bougie négative si elle est en baisse. Je devrais essayer ça aussi.
Je ne comprends pas, cependant.
Comment faire une cible ?
D'où vient la formule ?
Je continue de croire que si l'on ne sélectionne pas les prédicteurs en fonction de leur impact sur la variable cible, tout le reste n'est pas pertinent. C'est la toute première étape. Soit nous supprimons les prédicteurs de bruit et alors nos chances de construire un modèle NON réentraîné augmentent, soit les prédicteurs de bruit restent, ce qui entraînera nécessairement un réentraînement. Et puisque le comportement du modèle recyclé dans le futur n'est en aucun cas lié à son comportement dans le passé, un tel modèle recyclé n'est pas nécessaire.
Une autre approche intéressante pour déterminer l'importance des prédicteurs. Les algorithmes multiples pour déterminer l'importance desprédicteurs ne sont pas utilisés.
Voici le code exécuté de ce post
> n <- 10000
>
> x1 <- runif(n)
> x2 <- runif(n)
> y <- -500 * x1 + 50 * x2 + rnorm(n)
>
> model <- lm(y ~ 0 + x1 + x2)
>
> # 1a. Standardized betas
> summary(model)$coe[,2]
x1 x2
0.02599082 0.02602010
> betas <- model$coefficients
> betas
x1 x2
-500.00627 50.00839
> imp <- abs(betas)/sd.betas
Ошибка: объект 'sd.betas' не найден
> sd.betas <- summary(model)$coe[,2]
> betas <- model$coefficients
> imp <- abs(betas)/sd.betas
> imp <- imp/sum(imp)
> imp
x1 x2
0.9091711 0.0908289
> imp1 <- abs(model$coefficients[1] * sd(x1)/sd(y))
> imp2 <- abs(model$coefficients[2] * sd(x2)/sd(y))
>
> imp1 / (imp1 + imp2)
x1
0.9095839
> imp2 / (imp1 + imp2)
x2
0.0904161
> # 2. Standardized variables
> model2 <- lm(I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
> summary(model2)
Call:
lm(formula = I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
Residuals:
Min 1Q Median 3Q Max
-0.0236475 -0.0046199 0.0000215 0.0046571 0.0243383
Coefficients:
Estimate Std. Error t value Pr(>|t|)
I(scale(x1)) -9.932e-01 6.876e-05 -14446 <2e-16 ***
I(scale(x2)) 9.873e-02 6.876e-05 1436 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.006874 on 9998 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: 1
F-statistic: 1.058e+08 on 2 and 9998 DF, p-value: < 2.2e-16
> abs(model2$coefficients)/sum(abs(model2$coefficients))
I(scale(x1)) I(scale(x2))
0.90958355 0.09041645