L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1200
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
le poste le plus sensé que j'ai eu depuis deux mois ! ... Je dois y réfléchir, je ne l'ai pas fait depuis longtemps, je dois préparer mon corps, les vacances arrivent bientôt !
Eh bien, pour obtenir des probabilités, il faut faire des recherches (expériences, dans notre cas, des tests), il n'y a pas d'autre moyen, seule l'exploration de données peut aider, mais je ne regarde pas les tutoriels de YouTube, vous revenez toujours à moi, chaque leçon est du Python (((
commençons à utiliser python avant talov après janvier ;)) au deuxième trimestre peut-être.
Je ne sais pas si ça va aider mais ! Vous pouvez essayer la corrélation. Imaginez le résultat idéal que vous souhaitez comme la courbe que vous voulez, puis dans le processus de recherche du meilleur modèle, comparez le résultat actuel à l'idéal (votre courbe idéale) en calculant la corrélation. Le modèle présentant la corrélation la plus étroite avec l'idéal sera le plus proche du modèle que vous recherchez.
Merci pour cette idée, mais elle n'est pas réalisable, car l'idéal est très abstrait - on ne sait pas très bien ce qu'il devrait être. À première vue, chaque itération devrait apporter des améliorations, voire des améliorations incrémentielles, mais il s'agit d'une idée triviale, et on ne comprend pas pourquoi les développeurs du logiciel MO ne l'ont pas mise en œuvre. Soit il s'agit d'une courbe d'apprentissage trop longue qui rendrait le produit à l'origine du modèle non compétitif, soit des tests réels ont été effectués sur cette idée et aucun avantage n'a été trouvé.
Il existe peu d'articles sur la recherche de motifs à travers un terver, pour une raison quelconque.
Et il n'existe pratiquement aucune information sur Bayes, et lorsqu'il y en a, il est difficile de bien faire les choses.
Le principal problème de Bayes est de choisir la bonne distribution a priori. Dans notre cas, tout est compliqué par la non-stationnarité - il peut y avoir une dépendance temporelle.
Il semble évident de construire l'a priori sur une grande histoire et le postérieur sur une petite histoire. Le problème réside dans la séparation correcte de ces parties de l'histoire sous non-stationnarité.
Il s'agit précisément d'articles sur la recherche de motifs à travers un terver qui sont, pour une raison ou une autre, rares en termes d'information...
Pourquoi pas - il y en a des tonnes, c'est prohibitif, impossible à maîtriser. Cela s'appelle GARCH. Dans ce cas, un modèle se compose de trois parties :
De quoi d'autre a-t-on besoin pour être heureux, au sens d'un théoricien ?
C'est peut-être pour cela qu'il n'est disponible nulle part, puisque tout est collecté dans une variété de garages (j'ai déjà posté un lien - plus de 100 garages différents) ?
Le principal problème des bayésiens est de choisir la bonne distribution a priori. Dans notre cas, elle est compliquée par la non-stationnarité - une dépendance temporelle peut apparaître.
Il semble évident de construire l'a priori sur une grande histoire et le postérieur sur une petite histoire. Le problème est d'isoler correctement ces sections de l'histoire face à la non-stationnarité.
Oui, c'est évident et d'ailleurs déjà fait par le MO (à son niveau de compréhension). Le second modèle corrige les signaux du premier après chaque étape. Cela s'est avéré très facile, rapide et adaptatif... mais des recherches supplémentaires sont nécessaires. J'ai même développé une théorie (bayésienne, de manière intelligente).
Pourquoi pas - des tonnes, prohibitif, impossible à maîtriser. Cela s'appelle GARCH. Le modèle se compose de trois parties :
De quoi d'autre a-t-on besoin pour être heureux, au sens d'un théoricien ?
C'est peut-être pour cela qu'il est introuvable, car tout est rassemblé dans une variété de garages (une fois que j'ai posté des liens - plus de 100 garages différents) ?
ou peut-être est-il difficile de comparer dans l'esprit... par exemple, on peut dire que les probabilités conditionnelles, les articulations, etc. sont définies par un garch ?
par exemple, si je veux juste définir la portée de la recherche, rechercher des modèles de loin, dans différentes combinaisons d'incréments, d'intervalles de temps, etc.
Je veux quelque chose de similaire sur python (le même temps sera la pratique).
quelque chose comme ceci : https://www.mql5.com/ru/articles/3264oui, c'est évident et d'ailleurs, déjà fait par MO (à son niveau de compréhension). Le second modèle corrige les signaux du premier après chaque étape. Cela s'est avéré très facile, rapide et adaptatif... mais nécessite plus de recherche. J'ai même élaboré une théorie (bayésienne, d'une manière intelligente).
Il existe un autre moyen évident de construire une distribution a priori. Si l'on suppose que les prix "à la limite/en moyenne" se comportent comme des SB, alors on peut aussi construire cette distribution sur les SB. Dans de rares cas, cela peut être fait analytiquement, mais généralement par Monte Carlo. La méthode est plus complexe et pas nécessairement meilleure que les précédentes.
Il existe un autre moyen évident de construire une distribution a priori. Si l'on suppose que les prix "à la limite/en moyenne" se comportent comme des SB, alors on peut aussi construire cette distribution sur les SB. Dans de rares cas, cela peut être fait analytiquement, mais généralement par Monte Carlo. La méthode est plus compliquée et pas nécessairement meilleure que la précédente.
normal, sharya :) ou comme un autre Aleksey a montré des courbes de distributions de signaux de modèles sur un échantillon formé, base normale pour a priori.
ce sont toutes des choses robustesnormal, sharite :) ou, comme un autre Alexei a montré des courbes de distributions de signaux de modèles sur un échantillon entraîné, une base normale pour les a priori.
ce sont toutes des choses robustesTout est gâché par la non-stationnarité, qui peut être à la fois brutale et rampante.
normal, vous savez :) ou comme un autre Alexey a montré des courbes de distributions de signaux de modèles sur un échantillon entraîné, une base normale pour l'a priori.
ce sont toutes des choses robustesSi vous parlez de moi, j'ai montré des courbes sur un échantillon de test et sur un échantillon de test - je ne regarde même pas l'échantillon pour la formation...