Regressione bayesiana - Qualcuno ha fatto un EA usando questo algoritmo?
Prima di tutto è stato usato uno scambio normale, in secondo luogo probabilmente i dati principali che sono stati alimentati erano la coppa del mercato, in più si possono ottenere volumi separati lì, e in terzo luogo erano criptovalute.
Il Pdf è barbuto, non credo che sia così facile ora, è molto più difficile da scambiare.
Ma penso che sia ancora possibile pizzicare.
Se volete fare una cosa del genere con il forex, bevete acqua fredda, ve lo dico subito - non funzionerà con il 99% di probabilità.
Prima di tutto è stato utilizzato uno scambio normale, in secondo luogo, probabilmente i dati principali che sono stati alimentati sono un tasso di mercato, più è possibile ottenere separatamente i volumi, e in terzo luogo, è una criptovaluta.
Il Pdf è barbuto, non credo che sia così facile ora, è molto più difficile da scambiare.
Ma penso che sia ancora possibile pizzicare.
Se volete fare una cosa del genere con il forex, bevete acqua fredda, ve lo posso dire subito - non funzionerà con il 99% di probabilità.
Grazie.
Interessato all'opinione se questa strategia può essere usata nel forex. Ho un sacco di opinioni diverse, soprattutto preziose, che si basano sull'esperienza pratica.
Le opinioni possono variare, soprattutto quelle basate sull'esperienza pratica sono preziose.
Grazie.
Mi interessa l'opinione sulla possibilità di utilizzare questa strategia nel forex. Le opinioni possono variare, soprattutto quelle basate sull'esperienza pratica sono preziose.
Laregressione bayesiana è simile alla regressione ridge, ma si basa sul presupposto che il rumore (errore) nei dati sia normalmente distribuito - quindi si presume che una comprensione generale della struttura dei dati sia già disponibile, e questo rende possibile ottenere un modello più accurato (rispetto alla regressione lineare di sicuro).
Quindi: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
A causa dell'assunzione di normalità degli errori, metto in dubbio l'applicabilità di questo metodo ai mercati finanziari.
Inoltre, in qualsiasi modello in cui la dipendenza è stimata solo come un iperpiano, c'è la possibilità di mancare un bordo non lineare, che è ciò che può rendere il modello redditizio.
- voti: 4
- datareview.info
A causa dell'assunzione di normalità degli errori, metto in dubbio l'applicabilità di questo metodo ai mercati finanziari.
In realtà non dipende molto dalla regressione, più che altro dai dati di input.
Rafforzerei addirittura il tuo punto: il successo della modellazione non è determinato dai modelli (se applicati correttamente), ma dai dati di input. Nella mia esperienza, alcuni set di dati di input portano SEMPRE a modelli sovra-addestrati, e se si lavora con loro, si può anche finire con modelli non addestrati. Credo che il male principale della modellazione - l'overfitting - sia determinato dai dati di input. Risolvere questo problema con la regolarizzazione è una mezza misura.
Ai più promettenti mi riferisco: ada, randomforest, SVM.
Il modello bayesiano a causa del presupposto della normalità dell'errore (così come molti altri modelli) è meglio non usarlo.
Rafforzerei addirittura il tuo punto: il successo della modellazione non è determinato dai modelli (se applicati correttamente), ma dai dati di input. Nella mia esperienza, alcuni set di dati di input portano SEMPRE a modelli sovra-addestrati, e se si lavora con loro, si può anche finire con modelli non addestrati. Credo che il male principale della modellazione - l'overfitting - sia determinato dai dati di input. Risolvere questo problema con la regolarizzazione è una mezza misura.
Ai più promettenti mi riferisco: ada, randomforest, SVM.
Il modello bayesiano a causa del presupposto della normalità dell'errore (così come molti altri modelli) è meglio non usarlo.
Grazie.
Mi interessa anche l'opinione sull'approccio di trading descritto nell'articolo.
Perché? Pensi che la legge della distribuzione normale non funzioni nei mercati finanziari? Se considerate il rumore (gli errori) come quantità casuali, allora è perfettamente appropriato usare la distribuzione gaussiana per loro.
Una situazione in cui gli errori saranno effettivamente normali è rara, e questo richiede un'attenta riproduzione della funzione di densità di probabilità per la serie originale nel modello. Sarà realizzabile? Questa è la domanda. E se la plausibilità delle stime dei parametri del modello dipende da questo, si può sbagliare. Io userei metodi non parametrici, la stessa foresta casuale, GBM, SVM non lineare.
Ma in generale le persone che capiscono bene la regressione lineare e possono fare ingegneria delle caratteristiche hanno ottenuto risultati migliori nei mercati finanziari rispetto alle ipotesi casuali.
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Accetti la politica del sito e le condizioni d’uso
La strategia è in grado di raddoppiare quasi l'investimento in meno di 60 giorni quando viene eseguita contro la traccia dei dati reali.
I. Regressione bayesiana Il problema. Consideriamo la questione della regressione: ci vengono dati n punti di dati etichettati di addestramento (xi,yi) per 1 ≤ i ≤ n con xi ∈ Rd,yi ∈ R per qualche fissa d ≥ 1. L'obiettivo è quello di utilizzare questi dati di allenamento per prevedere l'etichetta sconosciuta y ∈ R per un dato x ∈ Rd. L'approccio classico. Un approccio standard della statistica non parametrica (cfr. per esempio [3]) è quello di assumere un modello del seguente tipo: i dati etichettati sono generati secondo la relazione y = f(x)+ dove è una variabile casuale indipendente che rappresenta il rumore, di solito assunto come gaussiano con media 0 e varianza (normalizzata) 1. Il metodo di regressione si riduce alla stima di f a partire da n osservazioni (x1,y1),...,(xn,yn)e al suo utilizzo per la previsione futura. Per esempio, se f(x) = xTθ∗, cioè si suppone che f sia una funzione lineare, allora la stima classica dei minimi quadrati è usata per stimare θ∗ o f: ˆ θLS ∈argmin θ∈Rd n X i=1 (yi -xT i θ)2 (1) [...]regressione bayesiana e Bitcoin.pdf