L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2168

Nouveau commentaire
 
Aleksey Nikolayev:

Il semble être écrit partout que Fourier n' est bon que pour les signaux périodiques. Ou presque - avec un spectre étroit.

À propos, pour la MO dans le commerce, il me semble que la décomposition de Walsh serait plus appropriée, mais pour une raison quelconque, je ne l'ai pas vue mentionnée sur le forum.

Pas seulement périodique, mais avec toujours la même période (temps entre le début d'une oscillation et le début d'une autre) et toujours la même forme. Et dans les citations, les deux périodes et la forme de la courbe changent en permanence. Par conséquent, aucune transformation du signal sur le marché n'est appropriée.
J'ai également étudié l'électronique à l'université, et je sais de quoi je parle.

 
Igor Makanu:

Oui !

Je viens de terminer - vous avez raison.

Je dois reconnaître qu'un crétin a mis le feu aux poudres avec ses fantasmes. ))))

Il a montré un filtre et 10 transactions, de ce type. Des queues à la moyenne (lignes de filtre) ou quelque chose comme ça

Comme d'habitude, lorsqu'une tendance se dessine, elle sera négative sur l'ensemble du compte.

Et il poste ces souches à chaque fois dans chaque fil, et vous en discutez tous allègrement pendant 10 pages pendant plus d'un an ;))


 
Maxim Dmitrievsky:

Il a montré un filtre et 10 transactions, avec ces lignes. Des queues à la moyenne (lignes de filtre) ou quelque chose comme ça

Comme d'habitude, lorsqu'une tendance se dessine, elle va être négative sur l'ensemble du compte.

et il poste ces souches à chaque fois dans chaque fil, et vous vous amusez tous ensemble à en discuter pendant 10 pages pendant plus d'un an ;))

ok

maintenant montrer la même chose sur le mashka et comparer

fauteur de troubles ;)

 
Aleksey Nikolayev:

Il semble être écrit partout que Fourier n'est bon que pour les signaux périodiques. Ou presque - avec un spectre étroit.

Les fonctions de base sont des sinus et la transformation ne détermine pour chaque sinus que son décalage (phase) et sa période.

et l'intersection de tous ces sinus (axe des x) nous donne les points où l'on prend les valeurs du signal (axe des y)


UPD : voici une autre bonne explication,https://habr.com/ru/post/196374/

la chose la plus précieuse dans cet article sont les dessins à la main ;)

 
Renat Akhtyamov:

ok

Maintenant, faites la même démonstration sur la voiture et comparez.

bully ;)

il y a plein d'autres mixtures qui ressemblent à ça. Cela ne fait aucune différence.

Par exemple HMA ou quelque chose comme ça

si vous allez vers les mashkas, normalisez au moins pour la volatilité et les choses comme ça.

Et n'écrivez pas que c'est un graal. Il n'est pas là.

 
Maxim Dmitrievsky:

il y a plein d'autres mash-ups qui ressemblent à ça. Cela ne fait aucune différence.

Par exemple, HMA ou quelque chose comme ça

Si tu vas vers les MAs, normalise au moins pour la volatilité et les choses comme ça.

Et n'écrivez pas que c'est un graal. Il n'y a pas de Graal là-bas.

Tu as besoin d'une capture d'écran, Max, pas seulement des mots.

Vous ne pouvez pas dire de conneries.

 

Si vous en avez besoin, voici un petit script qui calcule l'aire relative sous l'intersection des courbes de la distribution des valeurs des caractéristiques pour deux clusters.

cl_1 = samples.drop(samples[samples["targets"] == 0].index).reset_index(drop=True)[samples.columns[1]]
cl_2 = samples.drop(samples[samples["targets"] == 1].index).reset_index(drop=True)[samples.columns[1]]

min_x = min(cl_1.min(),cl_2.min())
max_x = max(cl_1.max(),cl_2.max())
x = np.arange(min_x,max_x,(max_x-min_x)/100)
hist_1 = np.histogram(cl_1,x)
hist_2 = np.histogram(cl_2,x)
plt.hist(cl_1,x, histtype= 'step',label='cl_1')
plt.hist(cl_2,x, histtype= 'step',label='cl_2')

area1 = np.sum(hist_1[0])/sum(hist_1[0])
area2 = np.sum(hist_2[0])/sum(hist_2[0])
ymax = np.maximum(hist_1[0],hist_2[0])
ymin = np.minimum(hist_1[0],hist_2[0])

area_overlap = sum(ymin/sum(ymax))
print(area1, area2, area_overlap)

Je pense que c'est une bonne mesure pour choisir la méthode d'éclaircissement, l'analyse de la cible, les caractéristiques et qui sait quoi encore.

area_overlap est jaune dans l'image

 
Renat Akhtyamov:

Montre-moi une capture d'écran, Max, pas seulement des mots.

Vous n'avez pas besoin de secouer un sac, n'est-ce pas ?

Que voulez-vous voir ? Voici le vrai CT sur le MO de mon article. Formation - 1 mois seulement, puis généralisation pendant 2 ans. Ils sont réels et ça marche.

 
welimorn:

Si vous en avez besoin, voici un petit script qui calcule l'aire relative sous l'intersection des courbes de la distribution des valeurs des caractéristiques pour deux clusters.

Je pense que c'est une bonne mesure pour choisir la méthode d'éclaircissement, l'analyse de la cible, les caractéristiques et qui sait quoi encore.

area_overlap est jaune sur l'image.

Tu fais des choses ingénieuses) Je vais commencer à regarder ça lundi.

 
Chacun sait qu'un écart par rapport à la moyenne peut être significatif, mais personne ne sait quand il se produira.
1...216121622163216421652166216721682169217021712172217321742175...3399
Nouveau commentaire
Raison: