L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1015
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
Strictement parlant, dans un échantillon glissant de rapatriés, nous devons calculer l'estimateur ACF pour cette série discrète. S'il est périodique, alors le prochain retour est prédit à 100% par Kolmogorov. Mais je ne connais pas le critère d'évaluation de la périodicité de l'ACF. Je ne peux pas le regarder à l'œil.
Plus chaud.
Élargissons l'ensemble des prédicteurs PAS si courants pour les modèles de prédiction.
D'ici
Méta-apprentissage de la prédiction des séries chronologiques
Thiyanga S Talagala, Rob J Hyndman et George Athanasopoulos
Seul le divin gourou et quelques uns de ses padawans y ajoutent des personnes, lancez-moi votre Skype et des détails sur vous dans un message privé, je vous demanderai, mais je ne promets rien, car je n'ai aucune autorité là-bas, seulement un esprit désincarné, de la terre sur des pantoufles. Ce sont les cardinaux gris, Puppet et compagnie, qui sont repérés pour des activités proches du marché, sont marqués par la honte à vie, la honte ne peut être lavée que pour des dizaines de milliards de vert.
Merci, je ne suis pas tellement intéressé par l'adhésion, dont je comprends qu'elle comporte des difficultés considérables, mais par le niveau, qui n'est probablement pas moins important.
Vous avez écrit que ce groupe cherche une représentation unifiée des modèles d'OI, ce sont les modèles que j'aimerais voir.
Je suis prêt à montrer mes propres développements, modestes, pour comparaison également, je sérialise les modèles formés en format binaire ou texte et en tant que code source.
Plus chaud.
Étendre l'ensemble des prédicteurs PAS si courants pour les modèles de prédiction.
D'ici
Méta-apprentissage de la prédiction des séries chronologiques
Thiyanga S Talagala, Rob J Hyndman et George Athanasopoulos
Un bon article d'enquête. Seulement, à mon avis, l'ensemble des séries chronologiques considérées est trop large pour nous. J'aimerais voir un examen similaire des méthodes, mais pour le type de séries qui nous intéresse.
J'aimerais également voir de nouvelles méthodes et de nouveaux modèles. Il existe par exemple une diffusion anormale(plus populaire).
Un bon article de synthèse. Seulement, à mon avis, la multitude de séries chronologiques considérées est trop large pour nous. J'aimerais voir un aperçu similaire des méthodes, mais pour le type de séries qui nous intéresse.
J'aimerais également voir de nouvelles méthodes et de nouveaux modèles. Il existe par exemple une diffusion anormale(plus populaire).
J'ai cité ce lien à cause du tableau : il s'agit d'un regard neuf sur les prédicteurs et d'un développement de l'idée d'Alexander sur l'ACF.
J'ai apporté le lien à cause du tableau : un regard neuf sur les prédicteurs et comme un développement des pensées d'Alexander sur l'ACF.
Du côté positif, au lieu de se torturer et de nous torturer avec des modèles vieux de 70 ans, il aurait mieux étudié cette diffusion très anormale et son application au marché. Ce serait une application utile de son énorme enthousiasme et de son éducation physique.
Le paramètre ZZ est différent pour chaque instrument et chaque période de temps. Par exemple pour EURUSD M15 une bonne valeur initiale de 15 pips (4 chiffres). Cela dépend également des prédicteurs que vous utilisez. C'est une bonne idée d'optimiser tous les paramètres des prédicteurs et de ZZ. Il est donc souhaitable d'avoir des prédicteurs non paramétriques, cela vous facilite grandement la vie. À ce titre, les filtres numériques donnent de bons résultats. En utilisant les ensembles et la combinaison en cascade, j'ai obtenu une précision moyenne de 0,83. C'est un très bon résultat. Demain, je vous enverrai un article pour vérification, qui décrit le processus.
Bonne chance
Et comment trouver les réglages ZZ, purement en essayant différents modèles, et celui qui donne le meilleur résultat avec ces réglages est le meilleur ?
Pourquoi préférez-vous les points pour ZZ plutôt que le temps (barres) ?
Et comment trouver les réglages ZZ, purement en essayant différents modèles, et celui qui donne le meilleur résultat avec ces réglages est le meilleur ?
Pourquoi préférez-vous les points pour ZZ plutôt que le temps (barres) ?
1. Il existe différentes méthodes pour optimiser
2. de l'expérience.
Bonne chance
Hier, une réflexion m'a traversé l'esprit : pourquoi recherchons-nous des arbres de décision, c'est-à-dire un modèle décrivant une entité ? En d'autres termes, pourquoi devrions-nous décrire l'entité dans son ensemble ? Peut-être devrions-nous simplement chercher les parties de cette entité qui sont les plus compréhensibles et prévisibles ? J'ai pensé que puisque je collecte des feuilles d'arbres, je devrais peut-être utiliser une méthode pour trouver ces feuilles sans construire un arbre de décision complet, ce qui devrait, si je comprends bien, donner une augmentation de la qualité pour le même temps de calcul passé.
J'ai cherché sur Internet et je ne vois pas cette méthode nulle part. Peut-être quelqu'un connaît-il de tels développements ?
Pendant que je travaille sur l'algorithme, je pense que je dois d'abord sélectionner les prédicteurs, qui montrent la capacité prédictive d'une des classes, à cela les prédicteurs doivent être rendus binaires (pour cela je dois former mon propre échantillon pour chaque prédicteur ou former des marges d'exclusion de l'échantillon général (ce qui est plus raisonnable ?)). Ensuite, on utilise déjà les prédicteurs sélectionnés (et leurs combinaisons) pour construire des stubs pour une classe particulière (dans mon cas 3 classes), puis on utilise ces stubs pour construire les prédicteurs restants. En même temps, nous pouvons aussi vérifier s'ils sont préférés à une certaine classe. Ensuite, selon l'idée, nous trouverons les zones qui se prêtent le mieux à la classification pour les classes cibles spécifiques. Et la zone restante sera juste un champ d'inactivité/attente.
Bien sûr, nous pouvons alors voir où les feuilles sont superposées et faire un résultat moyen dans ces cas. Et nous pouvons construire un arbre comme cela, mais avec des éléments de vote en raison de la densité dans différentes zones de différentes cibles.
Que pensez-vous de cette idée ?
1. Il existe plusieurs méthodes d'optimisation
2. de l'expérience.
Bonne chance
1. C'est ce que j'aimerais savoir sur ces méthodes. Parce que je réinvente à nouveau mon vélo (j'ai déjà esquissé l'idéologie), et que soudain, tout a déjà été fait avant nous...
2. Je vois. Mais c'est déraisonnable.
Vladimir, pourriez-vous suggérer quelques méthodes de "sélection future" (ou quelque chose comme ça) mais applicables à BP ? Je ne sais pas s'il existe une méthode de "sélection de l'avenir" (ou quelque chose comme ça) en ce qui concerne le BP, peut-être que l'algorithme analyse le BP et supprime ou ajoute quelque chose pour améliorer la prévision, google n'a pas pu m'aider (