Previsione di mercato basata su indicatori macroeconomici - pagina 6
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
In mql è qualcosa del genere.
if(h<3) { h=pow(4./3./n,0.2); }
Qui c'è un errore. Se h non è dato, è calcolato dalla formulah=pow(4./3./n,0.2). Se specificato come parametro di ingresso p_h, allora h = p_h. In Matlab, la variabile che misura il numero di ingressi si chiama nargin. Se nargin<3, allora significa che solo i primi due input sono specificati quando la funzione viene chiamata, x e y. In questo caso, calcoliamo h usando la formula.
if(h<3) { h=pow(4./3./n,0.2); }
C'è un errore qui. Se h non è dato, è calcolato dalla formulah=pow(4./3./n,0.2). Se specificato come parametro di ingresso p_h, allora h = p_h. In Matlab, la variabile che misura il numero di ingressi si chiama nargin. Se nargin<3, allora significa che solo i primi due input sono specificati quando la funzione viene chiamata, x e y. In questo caso calcoliamo h usando la formula.
Mi sono imbattuto in un articolo e sembrava essere in tema. Il file è nell'allegato.
Ecco la frase
Riportiamo l'evidenza di una profonda interazione tra le proprietà gerarchiche delle cross-correlazioni e la multifrattalità dei rendimenti azionari giornalieri della Borsa di New York.
Mi sono imbattuto in questo articolo e sembrava essere in tema. Il file è nell'allegato.
Ecco la frase
Riportiamo l'evidenza di una profonda interazione tra le proprietà gerarchiche delle cross-correlazioni e la multifrattalità dei rendimenti azionari giornalieri della Borsa di New York.
Trovo questo articolo difficile da capire, ma grazie lo stesso.
Mi sono interrogato sulla distribuzione delle deviazioni positive e negative dei prezzi di mercato. È stato discusso qui una volta e la conclusione è stata che le deviazioni negative sono più forti di quelle positive. Proverò a sostituire la singola linea di regressione con due linee, una per i valori di input positivi e una per quelli negativi. Vedrò cosa succede.
Trovo questo articolo difficile da capire, ma grazie lo stesso.
Mi sono interrogato sulla distribuzione delle deviazioni positive e negative dei prezzi di mercato. Questo è stato discusso qui una volta e la conclusione è stata che le deviazioni negative sono più forti di quelle positive. Proverò a sostituire la singola linea di regressione con due linee, una per i valori di input positivi e una per quelli negativi. Vedrò cosa succede.
I modelli sono di due tipi:
Le foreste RandomForest sono molto comuni per la classificazione, funzionano molto bene per i dati sorgente con molte variabili che hanno un piccolo numero di dimensioni. Di solito 50-100 misure sono sufficienti. E le variabili possono essere diverse decine di migliaia.
Per i calcoli approssimativi, Rattle è molto utile. Hai menzionato Matlab, quindi per te Rattle è un giorno di lavoro e 6 modelli di entrambi i tipi diventano disponibili, sia modelli di regressione che di classificazione. Lì si possono anche guardare le correlazioni, scartare alcune variabili, stimare il risultato..... Ottieni molte informazioni interessanti sulle tue variabili. A proposito, valutate l'importanza delle variabili.
Passa del tempo su Rattle - non te ne pentirai, specialmente al tuo stadio e ai tuoi obiettivi - solo per vedere cosa ottieni.
Vorresti aggiungere questi dati al tuo classificatore: "Progetto Meta COT - nuovi orizzonti per l'analisi dei rapporti CFTC nel terminale MetaTrader 4". Sarebbe interessante vedere quanto sono forti come predittore.
Ho guardato l'articolo ma non ho capito i dati. Mi piacerebbe provare nuovi dati, ma ditemi esattamente che tipo e dove trovarli. I dati dovrebbero essere almeno fino al 1980 (idealmente se dal 1960). L'RMS delle previsioni del mio sistema diminuisce se sposto l'inizio della storia a destra e le sue previsioni diventano peggiori delle previsioni casuali se l'inizio della storia di allenamento viene spostato dopo il 1980. Questo è molto probabilmente dovuto a una riduzione del numero di previsioni passate sulla base delle quali vengono scelti i migliori predittori per il periodo in esame dal 2000. Sto già pompando il rapporto put/call per lo S&P 500, ma questi dati vengono scartati dal mio sistema perché partono dal 1995 e il sistema inizia a imparare dal 1960. Tutti i dati che iniziano dopo il 1860 vengono automaticamente scartati.
Purtroppo il requisito della profondità 1960 è molto difficile. I COT, come hanno cominciato ad essere pubblicati ora, hanno cominciato ad essere assemblati alla fine degli anni '80 (i buoni vecchi anni '80).
Prova a mettere insieme un modello che richiede meno storia per imparare. Il COT esce una volta alla settimana, i rapporti put/call sono generalmente disponibili alla fine di ogni giorno. Cioè il numero totale di misurazioni per tali dati potrebbe essere anche più che per i rapporti mensili.
Semmai i dati sono qui: http://www.cftc.gov/MarketReports/CommitmentsofTraders/HistoricalCompressed/index.htm
Come possiamo prevedere il crash causato nel maggio 2010 da un errore del robot (tutti sono arrivati a questa opinione) e l'euro è crollato di più di 1000 (!) pip o il crash causato dal comportamento del franco in gennaio?
Ecco perché un crash è un crash che avviene IMMEDIATAMENTE! :)
Un crash causato dall'algoritmo è un errore dell'algoritmo, si verifica raramente e può essere corretto analizzando la situazione e l'algoritmo stesso.
Ma il crash avviene ogni giorno, ogni brusco cambiamento di tasso dallo stato di equilibrio può essere considerato dal punto di vista di un crash.
Un tale crollo è causato dal comportamento della folla e ha i suoi forieri. Tutti li stanno cercando.