L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2527
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
C'est beaucoup plus intéressant
Peut-être devrions-nous abandonner l'idée que le marché est une série chronologique et faire enfin une percée dans l'analyse du marché...
L'un n'interfère pas avec l'autre. Les mathématiques financières modernes sont tout à fait compatibles avec les approches des séries chronologiques continues et discrètes. Le problème que je vois est que les applications concrètes de cette science publiées ouvertement ne sont pas bien aiguisées pour les besoins de nos traders.
ne le déformez pas : en essayant d'argumenter avec moi, vous parlez toujours de votre propre... seulement sur les séries temporelles... (et il y a beaucoup de techniques d'échantillonnage impliquées)...
le prix à long terme n'est pas une fonction du temps, j'ai fait valoir mon point de vue plus d'une fois (et je ne le répéterai pas)... Je vous ai montré où vous pouvez obtenir l'autocorrélation dans DL... et quoi utiliser pour X et Y et pour modéliser quelles dépendances - je l'ai écrit pour la 10ème fois aussi - c'est à la discrétion du développeur...
Je ne suis pas le développeur de votre modèle - je n'ai pas besoin de prouver le comportement du prix dans le temps... (je n'aurais peut-être pas dû gribouiller sur le DL - tout le monde ici réfléchit à quelque chose et le réfute ou prouve quelque chose à quelqu'un - en prenant un mot de chaque discipline)... les ingénieurs qui font du MO (qui ne sont pas ici) comprendront quand même l'étroitesse du débat sur l'auto-corrélation (pour le plaisir de parler de nerds) que ce soit en tendance ou en tick, si le modèle est construit dans un aspect beaucoup plus large et sur un horizon de l'ensemble d'apprentissage plus large que l'horizon où vos puces (auto-corrélation) pourraient sortir.... C'est le but de l'apprentissage profond (tout prendre en compte).
Oui, j'ai déformé les mots à travers ma propre expérience. S'il vous plaît pardonnez. si j'ai offensé.
La différence est que dans le premier cas, l'ACF est considéré pour toutes les paires de moments possibles, tandis que dans le second cas, l'un des moments est fixé à t2=n et de nombreuses paires de moments( par exemple, la paire t1=1, t2=2) ne sont pas prises en compte. En général, l'ACF est une fonction de deux arguments. Ce n'est que pour les processus stationnaires que l'ACF peut être considéré comme une fonction d'un argument t=t1-t2 (décalage).
L'ACF d'échantillon est toujours calculé à partir d'un échantillon numérique spécifique (réalisation) d'un processus et s'avère toujours être une fonction d'un argument (valeur de retard). C'est la principale raison pour laquelle l'ACF de l'échantillon d'une mise en œuvre du SB ne constitue pas une estimation de son ACF).
Ne pensez-vous pas qu'en calculant l'ACF pour une paire d'instants t1 et t2 (laissonst1 < t2 pour plus de certitude), nous calculons en fait l'ACF de l'échantillonà la longueur de l'échantillon n=t2et au décalage t2-t1. Pour un observateur au temps t2, la série temporelle est représentée par un échantillon de longueur t2. L'observateur ne sait pas ce qui va se passer après le temps t2.
Pour ne pas être totalement infondé, voici mes observations sur les autocorrélations réelles du marché :
Fenêtre d'observation pour chaque valeur des 50 derniers éléments, décalée respectivement de 1, 3 et 6 éléments.
Le coefficient de Pearson est compris entre -1 et 1.
Dans le premier écran de cette analyse, par exemple, nous pourrions dire que sur l'échelle d'une bougie, il y avait une autocorrélation négative stable (une valeur positive est suivie d'une valeur négative, et vice versa)
Sur l'échelle de 3 chandeliers, c'était la même chose mais moins stable au point d'observation, et sur l'échelle de 6 chandeliers, il y avait une mini-tendance.
Et sur le second, c'est très différent (remarquez les chiffres).
Mais c'est une série chronologique, ce que, pour une raison quelconque, tout le monde ici n'aime pas, et en général, je sais que je suis stupide et que je ne comprends rien. Je ne veux pas offenser ou apprendre à quiconque avec cette capture d'écran. Je ne vous encourage pas à faire des prédictions basées sur de tels calculs.
Ne pensez-vous pas qu'en calculant l'ACF pour une paire d'instants t1 et t2 (laissezt1 < t2 pour plus de certitude), nous calculons en fait l'ACF de l'échantillonà la longueur de l'échantillon n=t2et au retard t2-t1. Pour un observateur au moment t2, la série temporelle est représentée par un échantillon de longueur t2. L'observateur ne sait pas ce qui se passe après le temps t2.
Cependant, un observateur au moment t3, t3>t2 peut très bien s'intéresser à la corrélation entre les moments t1 et t2. Et votre formule ACF(t) =sqrt((n-t)/n) ne lui permet pas de le calculer (il suffit de remplacer n par t3).
Si les séries étaient stationnaires, ACF(t1, t2)=ACF(t2-(t2-t1), t2)=ACF(t3-(t2-t1), t3), mais en général la deuxième égalité ne tient pas. On pourrait dire que la non-stationnarité ici est la présence de la dépendance du point dans le temps où se trouve votre observateur (inhomogénéité temporelle).
Comment obtenir une coopérative pour travailler, mais aussi pour poursuivre ses propres intérêts ? En théorie, l'objectif ultime (et potentiellement commun) est de créer un système rentable. Sinon, tout le monde pourrait travailler avec un seul élément de données. Voici les données d'un instrument pendant ~4 mois. On sait que l'on peut obtenir un gain attendu > 7 sur ces données (la commission est de 4,4, 5 chiffres). Le système devrait donner les bénéfices pour les 1,5 années précédentes, mais nous y reviendrons plus tard.
Cependant, un observateur au temps t3, t3>t2 peut très bien s'intéresser à la corrélation entre les temps t1 et t2. Votre formule ACF(t) =sqrt((n-t)/n) ne lui permet pas de le calculer (il suffit de remplacer n par t3).
Si les séries étaient stationnaires, ACF(t1, t2)=ACF(t2-(t2-t1), t2)=ACF(t3-(t2-t1), t3), mais en général la deuxième égalité ne tient pas. On pourrait dire que la non-stationnarité est ici la présence d'une dépendance par rapport au point dans le temps où se trouve votre observateur (inhomogénéité temporelle).
Mais bien sûr, ce n'est pas le cas. C'est le cas ! Un archéologue, à l'instant t3,t3 > t2, peut déterrer des documents anciens (par exemple sur une amphore vieille de 3 000 ans) de SB de longueurt2. Et voudra, par exemple, calculer la corrélation entre les moments t1 et t2. Et fera parfaitement l'affaire avec ma formule : ACF(t) =sqrt((n-t)/n), où n= t2, t=t2-t1. Exactement parce que, en fait, il comptera l'ACF de l'échantillonlorsque la longueur de l'échantillon est n=t2et le décalage t2-t1.Sentez que le momentt3 est introduit artificiellement par vous.
Mais ce n'est pas le cas. C'est le cas ! Un archéologue, à l'instant t3,t3 > t2, peut déterrer des enregistrements anciens (par exemple sur une amphore vieille de 3 000 ans) de SB de longueurt2. Et voudra, par exemple, calculer la corrélation entre les moments t1 et t2. Et fera parfaitement l'affaire avec ma formule : ACF(t) =sqrt((n-t)/n), où n= t2, t=t2-t1. Exactement parce que, en fait, il comptera l'ACF de l'échantillon lorsque la longueur de l'échantillon est n=t2 et le décalage t2-t1. Vous estimez que l'instantt3 est introduit artificiellement par vous.
En substance, on aboutit à la même fonction à deux arguments, mais avec une description très artistique de l'algorithme de son calcul).
Le moment t3 est tout à fait naturel et il faut encore le moment t4, t4>t3, pour lequel la prédiction au moment t3 est construite).
En fait, on retrouve la même fonction à deux arguments, mais avec une description très artistique de son algorithme de calcul).
Le moment t3 est tout à fait naturel et il faut encore le moment t4, t4>t3, pour lequel la prédiction au moment t3 est construite).
Je propose de considérer le phénomène de l'ACF SB à partir des positions suivantes. Pour la population générale de SB (échantillons de longueur infinie) ACF = const = 1. Pour un échantillon de longueur finie n, on peut obtenir une estimation de l'ACF avec une erreur typique de l'ordre de 1/sqrt(n). C'est une erreur de cet ordre qui donne une estimation de ACF(t) =sqrt((n-t)/n) = sqrt(1- t/n).
Je propose de considérer le phénomène de l'ACF de SB à partir des positions suivantes. Pour la population générale de SB (échantillon de longueur infinie) ACF = const = 1. Pour un échantillon de longueur finie n, on peut obtenir une estimation de l'ACF avec une erreur typique de l'ordre de 1/sqrt(n). C'est une erreur de cet ordre qui donne une estimation de ACF(t) =sqrt((n-t)/n) = sqrt(1- t/n).
Ce ne serait plus un SB, mais un processus avec des réalisations-constantes)
Je fais une contre-proposition pour mettre fin à notre merveilleuse discussion avant que Kolmogorov et Wiener ne sortent de leurs tombes pour nous battre à coups de bâton).