L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1592
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
Je ne sais pas, c'est une interprétation compliquée. Les rapatriés du marché sont un mélange de plusieurs distributions, dont chacune peut être stationnaire. Si vous séparez les mouches des escalopes, vous pouvez obtenir une bonne TS.
Je ne discute pas, vous le pouvez probablement, la question est de savoir quel chemin est le plus court et le plus efficace. J'ai lu les deux premières dizaines de pages du sujet d'AK, j'ai vu à plusieurs reprises comment il fait de telles hypothèses, essentiellement des conjectures, qui, à mon avis, contrecarrent tout l'intérêt de la recherche statistique qui consiste à ajuster le modèle au "bon" résultat. Je peux me tromper, car je ne connais pas grand-chose d'autre que les technologies de pointe et Google, mais je ne suis pas intéressé jusqu'à présent.
Les rendements du marché sont un mélange de plusieurs distributions, dont chacune peut être stationnaire; ceci est plus proche du corps, c'est-à-dire que la normale en fait partie ?
Mais il me semble toujours que toute distribution ne peut être stationnaire que jusqu'à ce que quelque chose change sur le marché - humeur, nouvelles, tendance, etc. Si vous en tenez compte et apprenez à vous préparer, cela en vaut la peine.
Les rapatriés du marché sont un mélange de plusieurs distributions, dont chacune peut être stationnaire, laquelle est la plus proche du corps, c'est-à-dire que la normale en fait partie ?
Mais il me semble toujours que toute distribution ne peut être stationnaire que jusqu'à ce que quelque chose change sur le marché - humeur, nouvelles, tendance, etc. Si vous tenez compte de cela et que vous apprenez à le cuisiner, je pense que cela en vaut la peine.
l'algorithme de clustering lui-même les rend plus normaux, par exemple s'il s'agit d'un mélange gaussien, il y aura des points sélectionnés décrits par une gaussienne pour chaque cluster, avec quelques points aberrants.
le principal problème est la vérification avec les nouvelles données
Messieurs, pourriez-vous suggérer le neurone le plus gracieux pour le flytipping ?
J'ai divisé l'histoire en sections, maintenant je dois tirer le neurone ici :
Comme vous pouvez le voir, il n'y a pas vraiment de corrélation entre les paires.
Le trading de paires, c'est nul.
Vous ne devriez pas tirer de conclusions d'un morceau d'histoire. Je ne sais pas quelle est la logique de l'indicateur, mais il est facile de vérifier la relation - créer un prédicteur pour chaque courbe et enregistrer la position de cette courbe par rapport à toutes les autres courbes, dans l'ordre sur chaque barre, vous obtiendrez 6 prédicteurs avec des valeurs de 1-6. Vous pouvez essayer de fixer un objectif pour chaque courbe (paire de devises) séparément - si le prix a augmenté ou diminué, ou comment sa position a changé par rapport à une courbe particulière ou par rapport à toutes les courbes et ainsi de suite - différents objectifs ici, et voir ce qui sera mieux classé, ce qui sera mieux, et comment l'utiliser dans le trading.
Vous ne devez pas tirer de conclusions d'un morceau d'histoire. Je ne sais pas quelle est la logique de l'indicateur, mais pour vérifier la relation, c'est simple : créez un prédicteur pour chaque courbe et enregistrez la position de cette courbe par rapport à toutes les autres courbes, dans l'ordre sur chaque barre, vous obtiendrez 6 prédicteurs avec des valeurs de 1 à 6. Vous pouvez essayer de fixer un objectif pour chaque courbe (paire de devises) - si le prix est monté ou descendu, ou comment la position de la courbe par rapport à une courbe particulière ou par rapport à toutes les courbes, et ainsi de suite - différents objectifs ici, et voir ce qui sera le mieux classé, ce qui sera mieux, et comment l'utiliser dans le commerce.
Il a été suggéré que l'OI peut aider beaucoup s'il y a un processus stationnaire.
de quelle manière ?
Ce n'est pas qu'un processus stationnaire peut devenir non-stationnaire, mais qu'il peut le devenir soudainement.
Il a été suggéré que l'OI peut aider beaucoup s'il y a un processus stationnaire.
de quelle manière ?
parce que le problème n'est pas qu'un processus stationnaire puisse devenir non-stationnaire, mais qu'il puisse devenir soudainement non-stationnaire.
Une fois de plus, la (non-)stationnarité statistique (variabilité de la distribution temporelle) d'une ou de plusieurs séries temporelles n'a pas grand-chose à voir avec la prévisibilité des augmentations futures grâce à la méthode MO. Le bruit gaussien est stationnaire mais pas prévisible, triez-le, ajoutez l'hétéro-cessativité, il est prévisible mais pas stationnaire.
Le vrai problème réside dans la volatilité du marché en raison des efforts constants de la plupart des participants pour se surpasser les uns les autres, à cause de cela les modèles trouvés sur l'histoire sont généralement déjà trouvés par d'autres et vous pouvez vous attendre à ce qu'ils s'inversent, et les "forces de la nature", c'est-à-dire les changements fondamentaux et divers ragtime. C'est très compliqué.
Une fois de plus, la (non) stationnarité statistique (variabilité de la distribution temporelle) de la ou des séries temporelles est très faiblement liée à la prévisibilité des incréments futurs à l'aide de la MO. Le bruit gaussien est stationnaire mais pas prévisible, triez-le, ajoutez l'hétéro-cessativité, il est prévisible mais pas stationnaire.
Le véritable problème réside dans la variabilité du marché, car la plupart des participants essaient toujours de se surpasser les uns les autres. Pour cette raison, les modèles trouvés dans l'historique sont généralement déjà trouvés par d'autres et vous pouvez vous attendre à ce qu'ils s'inversent, ainsi que les "forces de la nature", c'est-à-dire les fondamentaux et les divers décalages temporels. C'est très compliqué.
Qu'est-ce qui vous fait penser que le bruit blanc est imprévisible ?
Si la série est stationnaire - il n'est pas nécessaire d'utiliser des incréments.
Ne pouvez-vous pas appliquer une stratégie plate à ce graphique ?
Eh bien, si ce sont des (log)retours, alors je ne peux pas, de toute évidence ce n'est pas une question de prix))).
Une fois de plus - les MO n'utilisent que des incréments parce que la série chronologique originale est non stationnaire.
Si les séries étaient stationnaires, il n'y aurait pas besoin de gradients.
Il s'agit de "Une fois de plus, la (non) stationnarité statistique (variabilité de la distribution temporelle) des séries temporelles n'a pas grand-chose à voir avec la prévisibilité des augmentations futures à l'aide de la méthode MO". (с)
Ce n'est pas bien d'éditer ses messages rétroactivement lorsqu'ils ont déjà reçu une réponse.