Prédiction du marché basée sur des indicateurs macroéconomiques - page 6
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
En mql, ça donne quelque chose comme ça.
if(h<3) { h=pow(4./3./n,0.2) ; }
Il y a une erreur ici. Si h n'est pas donné, il est calculé par la formuleh=pow(4./3./n,0.2). Si elle est spécifiée comme paramètre d'entrée p_h, alors h = p_h. En Matlab, la variable qui mesure le nombre d'entrées est appelée nargin. Si nargin<3, cela signifie que seules les deux premières entrées sont spécifiées lorsque la fonction est appelée, à savoir x et y. Dans ce cas, nous calculons h à l'aide de la formule.
if(h<3) { h=pow(4./3./n,0.2) ; }
Il y a une erreur ici. Si h n'est pas donné, il est calculé par la formuleh=pow(4./3./n,0.2). Si elle est spécifiée comme paramètre d'entrée p_h, alors h = p_h. En Matlab, la variable qui mesure le nombre d'entrées est appelée nargin. Si nargin<3, cela signifie que seules les deux premières entrées sont spécifiées lorsque la fonction est appelée, à savoir x et y. Dans ce cas, nous calculons h à l'aide de la formule.
Je suis tombé sur un article et il semblait être dans le sujet. Le fichier est dans la pièce jointe.
Voici la phrase
Nous apportons la preuve d'une interaction profonde entre les propriétés hiérarchiques des corrélations croisées et la multifractalité des rendements boursiers quotidiens de la Bourse de New York.
Je suis tombé sur cet article et il semblait être dans le sujet. Le fichier est dans la pièce jointe.
Voici la phrase
Nous apportons la preuve d'une interaction profonde entre les propriétés hiérarchiques des corrélations croisées et la multifractalité des rendements boursiers quotidiens de la Bourse de New York.
Je trouve cet article difficile à comprendre, mais merci quand même.
Je me suis interrogé sur la distribution des écarts positifs et négatifs des prix du marché. On en a discuté ici une fois et la conclusion était que les écarts négatifs sont plus forts que les écarts positifs. Je vais essayer de remplacer la régression à ligne unique par deux lignes, une pour les valeurs d'entrée positives et une pour les valeurs d'entrée négatives. Je vais voir ce qui se passe.
Je trouve cet article difficile à comprendre, mais merci quand même.
Je me suis interrogé sur la distribution des écarts positifs et négatifs des prix du marché. Ce point a été discuté ici une fois et la conclusion était que les écarts négatifs sont plus forts que les positifs. Je vais essayer de remplacer une régression à ligne unique par deux lignes, une pour les valeurs d'entrée positives et une pour les valeurs d'entrée négatives. Je vais voir ce qui se passe.
Il existe deux types de modèles :
Les forêts aléatoires (RandomForest forests) sont très courantes pour la classification, elles fonctionnent très bien pour les données sources avec beaucoup de variables qui ont un petit nombre de dimensions. En général, 50 à 100 mesures suffisent. Et les variables peuvent être de plusieurs dizaines de milliers.
Pour les calculs approximatifs, Rattle est très pratique. Vous avez mentionné Matlab, donc pour vous Rattle est un jour de travail et 6 modèles des deux types deviennent disponibles, des modèles de régression et de classification. Vous pouvez également y examiner les corrélations, écarter certaines variables, estimer le résultat...... Obtenez un grand nombre d'informations intéressantes sur vos variables. A ce propos, évaluez l'importance des variables.
Passez du temps sur Rattle - vous ne le regretterez pas, surtout à votre stade et avec vos objectifs - juste pour voir ce que vous obtenez.
Voulez-vous ajouter ces données à votre classificateur : "Projet Meta COT - de nouveaux horizons pour l'analyse des rapports CFTC dans le terminal MetaTrader 4". Il serait intéressant de voir à quel point ils sont un facteur prédictif important.
J'ai regardé l'article mais je n'ai pas compris les données. J'aimerais bien essayer de nouvelles données, mais dites-moi exactement quel genre et où les trouver. Les données doivent aller au moins jusqu'en 1980 (idéalement à partir de 1960). Le RMS des prédictions de mon système diminue si je déplace le début de l'historique vers la droite et ses prédictions deviennent pires que les prédictions aléatoires si le début de l'historique de formation est déplacé après 1980. Ceci est très probablement dû à une réduction du nombre de prédictions passées sur la base desquelles les meilleurs prédicteurs sont choisis pour la période testée depuis 2000. Je suis déjà en train de pomper le ratio put/call pour le S&P 500 mais ces données sont écartées par mon système car elles commencent à partir de 1995 et le système commence à apprendre à partir de 1960. Toutes les données qui commencent après 1860 sont automatiquement rejetées.
Malheureusement, les exigences en matière de profondeur de 1960 sont très strictes. Les COT, tels qu'ils ont commencé à être publiés aujourd'hui, ont commencé à être assemblés à la fin des années 80 (les bonnes vieilles années).
Essayez de mettre en place un modèle qui nécessite moins d'histoire pour être appris. Le COT est publié une fois par semaine, les ratios put/call sont généralement disponibles à la fin de chaque journée. En d'autres termes, le nombre total de mesures pour ces données pourrait être encore plus élevé que pour les rapports mensuels.
Si quoi que ce soit, les données sont ici : http://www.cftc.gov/MarketReports/CommitmentsofTraders/HistoricalCompressed/index.htm
Comment prédire le krach provoqué en mai 2010 par une erreur de robot (tout le monde est de cet avis) et l'euro s'est effondré de plus de 1000 ( !) pips ou le krach provoqué par le comportement du franc en janvier ?
C'est pourquoi un accident est un accident qui se produit IMMÉDIATEMENT ! :)
Un crash causé par l'algorithme est une erreur d'algorithme, elle se produit rarement et peut être corrigée en analysant la situation et l'algorithme lui-même.
Mais un crash se produit tous les jours, toute variation brutale du taux par rapport à l'état d'équilibre peut être considérée du point de vue d'un crash.
Un tel crash est provoqué par le comportement de la foule et a ses signes avant-coureurs. Tout le monde les cherche.