L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1384

 
Vitaly Muzichenko:

Peccato che non si possa dare un "Like".

Si può semplicemente pagare (scherzo).

 
elibrario:

Yuri sta facendo bene anche con semplici incrementi

Non uso i gradienti).
 
Maxim Dmitrievsky:

il prezzo sul mercato riflette l'equilibrio della domanda e dell'offerta, per lo più in diversi momenti storici

c'è un altro problema: quanta storia dovrebbe essere analizzata in MO?

se usiamo qualche costante Bars = 1000

Non saranno dati inaffidabili per l'apprendimento?

 
Maxim Dmitrievsky:

x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)

questo non ha senso - ogni catena calda successiva contiene la metà delle informazioni utili di quella precedente, cioè essi, 1: fortemente correlati, 2: la catena calda con il maggior ritardo contiene tutta la varianza della catena calda precedente, cioè non danno alcun incremento di informazione

il risultato sarà: l' importanza del destinatario con il ritardo più lungo sarà il più grande (più varianza, più guadagno di informazioni), e questo destinatario contiene tutta la varianza delle altre caratteristiche

In una tendenza lunga = sì. E l'importanza, più lontano, più forte è la correlazione, perché tutti crescono nella stessa direzione.

E in questa situazione:


La 20a barra è allo stesso livello della 0a, ma la 5a e la 10a contengono più informazioni della 20a. E c'è correlazione tranne che per i 2-3 vicini.

Ci sono molte situazioni e bisogna analizzare tutte le barre.

In alternativa, puoi sfoltire la serie come ha fatto il creatore di questo ramo (nel suo blog).

 
Maxim Dmitrievsky:

x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)

questo non ha senso - ogni caratteristica successiva contiene la metà delle informazioni utili dalla caratteristica precedente, cioè essi, 1: fortemente correlati, 2:e - la caratteristica con il più grande ritardo contiene tutta la varianza contenuta nelle caratteristiche precedenti, cioè non danno alcun incremento di informazioni

il risultato sarà: il ritorno con il più grande ritardo avrà la maggiore importanza (più varianza, più guadagno di informazioni), e questo ritorno contiene tutta la varianza delle altre caratteristiche

Inquietante.))
Un'analogia di quello che sto facendo è una foto.
 
Igor Makanu:

C'è un altro problema: quanta storia dovrebbe essere analizzata in MO?

se usiamo qualche costante Bars = 1000

non saranno dati inaffidabili per l'apprendimento?

Suppongo che se rompiamo il prezzo in livelli, allora possiamo calcolare la profondità media della storia per livello, partendo da quando il prezzo è arrivato ad esso e finendo quando è uscito

 
Yuriy Asaulenko:
Non uso gli incrementi).

SD.history[i-j][c.c]/SD.history[i][c.c]

Sono incrementi relativi. Basta chiamarli con altri nomi.

 
elibrario:

In una tendenza lunga = sì. E l'importanza, più lunga è la tendenza, più forte è la correlazione, perché tutti crescono nella stessa direzione.

E in questa situazione:


La 20a barra è allo stesso livello della 0a, ma la 5a e la 10a portano più informazioni della 20a. E c'è correlazione tranne che per i 2-3 vicini.

Ci sono molte situazioni e bisogna analizzare tutte le barre.

Come opzione - puoi assottigliare la serie come ha fatto il creatore di questo ramo (nel suo blog).

significa che con l'aumentare dei campioni ci sarà una correlazione massima, se si fa la media

localmente nessuno è interessato.

 
Yuriy Asaulenko:
Inquietante.))

Bene, calcola la correlazione tra i tuoi predittori, su tutto il campione

e poi buttarli via tutti)

 
Maxim Dmitrievsky:

Bene, calcola la correlazione tra i tuoi predittori, su tutto il campione

e poi buttarli via tutti)

Ti sbagli. Questo è l'unico modo per farlo.
Motivazione: