L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1042
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Mentre vi stancate di sbattere sul ghiaccio, pensate al fatto che entrambe le scale prezzo/tempo non sono intrinsecamente lineari. Questo se ci si avvicina da una prospettiva di puro algo-trading (senza capire il mercato).
Il tempo è ciò con cui misuriamo i processi periodici. Il tempo ha poco significato quando si misurano processi che hanno una natura casuale.
La scala temporale a piccoli intervalli (tick, "quanti") è non lineare e casuale, sembra che per eventi di dimensione tick, il tempo come fattore significativo non esista affatto.
Su grandi intervalli, a causa della sovrapposizione delle eterogeneità giornaliere, settimanali, legate al rilascio di notizie e di altre periodicità, la scala temporale può essere considerata più vicina a quella lineare e l'importanza del tempo aumenta.
Non puoi. Controlla le valute per l'indice Hearst. Mostra chiaramente la casualità del mercato. E cosa si può fare in un mercato casuale? Solo Martin. Ma d'altra parte, ci sono inefficienze nel mercato di diversi tempi di esistenza. E ci guadagnano sopra. E questo non è un caso. Quindi dovremmo muoverci nella direzione della ricerca delle inefficienze. Vorrei automatizzare questo processo. Ma non riesco a sentire da cosa partire. Le reti neurali non sono adatte a questo. Hanno bisogno di modelli pronti per l'apprendimento.
E perché non costruire su ciò che ovviamente esiste e funziona, ciò che ha salvato il nostro piano dal collasso per miliardi di anni, e ciò che aiuta gli algotraders a ottimizzare e adattare i loro EAs - l'inerzia e la memoria del mercato?
Nel thread successivo, proprio nel primo post, si afferma che nessun trucco può distruggere il pricing non-markoviano, anche se il resto della loro discussione, intorno alle distribuzioni di tick e alle integer-diffusions, IMHO è adatto forse solo alla ricerca di filtri per dataphids, ma siamo in tema di MO :)
E le reti neurali, IMHO per questo compito sono le migliori...
Yooooooooo.... Dove si è mai visto che un thread è sceso sotto la prima pagina????? Sì.... voi ragazzi lo state gestendo... l'hai messo in funzione. Nel frattempo sto facendo bene e i risultati sono abbastanza incoraggianti e tutto grazie a un errore accidentale :-)
Era così.....Per esempio...
E ora è così.... Qualcuno può dire se i dati sono migliorati o no????
Ci sono davvero molte domande. Come interpretare il grafico a componenti principali????? Ancora una domanda Queste due serie di dati sono prese nello stesso periodo di tempo. L'obiettivo è lo stesso, ma il salvataggio dei predittori è stato fatto in due modi diversi. Quindi. I vostri statisti dell'uscita, questo compito è solo per voi!!!!!
Quale delle serie di dati date è migliore? Il primo o il secondo. La tua opinione signori!!!!!
E poi vi darò la mia opinione...... VA BENE?
Non ho potuto superare 2 pagine di questo thread.
Darò solo la mia opinione. Quindi il machine learning è un insieme di statistiche su uno strumento, l'analisi e l'algoritmo stesso secondo il risultato del lavoro fatto, ma... C'è una nota importante, nessun algoritmo può garantire che si otterrà il risultato desiderato se tutte le condizioni sono soddisfatte, e significa che non importa quanti dati si analizzano e si complicano gli algoritmi del processo decisionale, ci sarà sempre una probabilità del risultato atteso.
È la probabilità che si sta negoziando, e di conseguenza è necessario cercare il risultato di probabilità più alte. Il mercato stesso è monotono, secondo la mia analisi (che non era precisa sia per i long che per gli short), il mercato per uno stesso intervallo di tempo dà approssimativamente la stessa (49%/51% o 51%/49%) quantità di trade redditizi in entrambe le direzioni.
Quindi, l'algoritmo decisionale dovrebbe essere basato sulla più alta stima (qualitativa) della probabilità del risultato con ulteriori filtri a vostra discrezione.
Yooooooooo.... Dove si è mai visto che un thread è sceso sotto la prima pagina????? Sì.... voi ragazzi lo state gestendo... l'hai messo in funzione. Sto facendo bene però e i risultati sono abbastanza incoraggianti e tutto grazie a un errore involontario :-)
Era così.....Per esempio...
E ora è così.... Qualcuno può dire se i dati sono migliorati o no????
Ci sono davvero molte domande. Come interpretare il grafico a componenti principali????? Ancora una domanda Queste due serie di dati sono prese nello stesso periodo di tempo. L'obiettivo è lo stesso, ma il salvataggio dei predittori è stato fatto in due modi diversi. Quindi. I vostri statisti dell'uscita, questo compito è solo per voi!!!!!
Quale delle serie di dati date è migliore? Il primo o il secondo. La tua opinione signori!!!!!
E poi vi darò la mia opinione...... VA BENE?
Michaelo è arrivato alla PCA... perché, ti prudono le mani? )
il grafico delle componenti principali dovrebbe essere interpretato su base ortogonale :D
i rossi sono i predictor orthos e cosa significano i numeri?
Michaelo è arrivato alla PCA... perché, ti prudono le mani? )
Il grafico delle componenti principali dovrebbe essere interpretato in una base ortogonale :D
Quindi qual è il migliore?
Quindi qual è il migliore?
bene il secondo, il 55%.
il secondo, il 55%.
Non c'è il 55% nel grafico delle componenti principali(primo grafico). Il 55% è il grafico del clustering dove in entrambi i casi i dati rappresentano due aree ben divise. Uno è meglio dell'altro e torniamo al primo grafico. Perché quello in basso è meglio di quello in alto????
Per questo bisogna saperle interpretare!!!!
Non c'è il 55% nel grafico delle componenti principali(primo grafico). Il 55% è il grafico del clustering dove in entrambi i casi i dati rappresentano due aree ben divise. Uno è meglio dell'altro e torniamo al primo grafico. Perché quello in basso è meglio di quello in alto????
Per questo bisogna saperle interpretare!!!!
Beh, se i numeri sono punti, allora la varianza delle 2 componenti è più bassa sulla seconda che sulla prima, no?
http://setosa.io/ev/principal-component-analysis/
Ruota i grafici con il tuo mouse e leggi, ti farai un'idea.
Beh, se i numeri sono punti, allora la varianza sulla seconda componente è più bassa che sulla prima, no?
http://setosa.io/ev/principal-component-analysis/Agreed!!!! Ma non è tutto... Si scopre che il secondo grafico è migliore perché ci sono vettori che sono il più vicino possibile agli assi zero. Non è così ovvio in questo esempio, ma ora ci siamo imbattuti in tali serie di dati in cui i vettori delle componenti coincidono con gli assi zero e dividono il campo in 4 quadrati pari. Nel primo caso, gli assi componenti sono sparsi tra gli zeri, mentre nel secondo, ci sono vettori componenti che sono il più vicino possibile agli zeri. Conoscendo il nome del predittore, addestriamo l'ottimizzatore finché gli input sono quei predittori che formano il vettore componente più vicino all'asse zero e non importa in quale direzione. Di nuovo, questo è il mio IMHO!!! Ecco perché volevo chiarire quanto ho ragione!!!!