Principi di lavoro con un ottimizzatore e modi di base per evitare di inserirsi. - pagina 3
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
Perché un modello ha bisogno di stazionarietà? Supponiamo di avere un modello di lavoro. La distribuzione della sua comparsa nel tempo è rigidamente nonnormale. Le caratteristiche principali di questo modello sono anche non stazionarie e fluttuanti nel tempo. E allora? La condizione principale è solo una: che continui ad apparire e non a scomparire. Semplicemente il nostro MO sarà non stazionario, ma ancora positivo, e questa è la cosa principale. Un'altra questione è che la non stazionarietà complica seriamente la ricerca di questi modelli. Non possiamo fare affidamento sui metodi standard della statistica per identificarlo e utilizzarlo. Per esempio, se è apparso ogni giorno nell'ultimo anno e oggi improvvisamente è scomparso, la statistica dirà: il modello non funziona più. Ma questo non è vero, perché appare quando gli piace, e non è obbligato a generare caratteristiche stazionarie. Questa è la sua proprietà, a livello fondamentale, che determina la necessità di riottimizzare gli algoritmi. Perché in un modo o nell'altro, stiamo lavorando con parametri fissi che corrispondono perfettamente a un dato modello solo sulla storia. Domani sarà leggermente diverso, il che significa che ci sarà uno spostamento dall'estremo del nostro montaggio.
E si tratta solo di sopravvivere al turno di domani. E possiamo sopravvivere usando regolarità relativamente stabili, o (e) metodi sufficientemente rozzi (semplici) per identificarle e trattarle che la loro stima approssimativa permetterebbe alla regolarità stessa di cambiare entro limiti sufficientemente ampi.
Questa è la mia logica, perché i metodi semplici sono di solito più efficaci di quelli complessi, e perché diventa possibile fare soldi nel mercato in primo luogo.
Ho fatto qualche ricerca e ho trovato -
Lastazionarietà è la proprietà di un processo che non cambia le sue caratteristiche nel tempo.
Così, una serie non stazionaria cambia le sue caratteristiche nel tempo. Ma questo non significa che non ci possa essere un modello.
Lei confonde una serie finanziaria non stazionaria con una serie caotica. Una serie caotica non può avere regolarità, ma una serie non stazionaria che cambia le sue caratteristiche nel tempo sì. Inoltre, ci possono essere delle regolarità che predeterminano questi cambiamenti.
Anche a prima vista ci sono alcune regolarità visibili nelle serie finanziarie -
Un chiaro movimento verso l'alto e verso il basso sotto forma di tendenza. Un modello? - Un modello.
Un pronunciato movimento laterale indefinito come un piatto. Regolarità? - Regolarità.
Testa e spalle", "bandiere" e altre forme. Regolarità? - Regolarità.
E molto di più......)))))
Perché un modello ha bisogno di stazionarietà? Supponiamo di avere un modello di lavoro. La distribuzione della sua comparsa nel tempo è rigidamente nonnormale. Le caratteristiche principali di questo modello sono anche non stazionarie e fluttuanti nel tempo. E allora? La condizione principale è solo una: che continui ad apparire e non a scomparire. Semplicemente il nostro MO sarà non stazionario, ma ancora positivo, e questa è la cosa principale. Un'altra questione è che la non stazionarietà complica seriamente la ricerca di queste stesse regolarità. Non possiamo contare su metodi statistici standard per identificarlo e usarlo. Per esempio, se un modello è apparso ogni giorno nell'ultimo anno e oggi è improvvisamente scomparso, la statistica dirà che il modello non funziona più. Ma non è vero, perché appare quando vuole, e non deve generare caratteristiche stazionarie. Questa è la sua proprietà, a livello fondamentale, che determina la necessità di riottimizzare gli algoritmi. Perché in un modo o nell'altro, stiamo lavorando con parametri fissi che corrispondono perfettamente a un dato modello solo sulla storia. Domani il modello sarà leggermente diverso, il che significa che ci sarà uno spostamento dall'estremo del nostro montaggio.
Questa è quasi-stazionarietà - un cambiamento di mo in un certo intervallo. Forse non si tratta solo di mo, ma in questo contesto è quello che ci interessa di più.
E la domanda di tutte le domande è proprio sopravvivere al turno di domani. E possiamo sopravvivere con regolarità relativamente stabili o (e) metodi di identificazionesufficientemente rozzi (semplici) e lavorare con loro, in modo che la loro stima approssimativa permetta alla regolarità stessa di cambiare entro un intervallo abbastanza ampio.
Questa è la mia logica, perché i metodi semplici sono di solito più efficaci di quelli complessi, e perché diventa possibile fare soldi nel mercato in primo luogo.
Quindi ci può essere un metodo super complesso, ma una stima piuttosto rozza del modello). È più una questione di numero di parametri del sistema e della sensibilità del risultato al loro cambiamento. Se un piccolo cambiamento nel parametro causa un cambiamento nel risultato, questo non è buono. Ci sono altri segni. Ne ho scritto di recente qui https://www.mql5.com/ru/forum/137614/page5
cercare di prendere il resto non sempre, ma selettivamente in pezzi. Se sai come identificare l'inizio e la fine di tali pezzi su una riga (non ex post facto, ovviamente), questo sarà sufficiente per fare trading. In caso contrario, è necessario cambiare il modello.
Ancora una volta: non ci sono pezzi fermi.
Ancora una volta: vuoi guadagnare valori positivi e non più di perdite predefinite in un trade. Queste sono le parti quasi stazionarie dall'entrata all'uscita. E sono ovviamente sulla serie di prezzi scambiati.
Gli incrementi azionari sono quasi stazionari con mo positivo che varia preferibilmente entro piccoli limiti. Altrimenti, non c'è bisogno di tale equità e del sistema che la genera.
faa1947: Еще раз: не бывает стационарных кусов.
Ancora una volta: entrando in un trade si vuole ottenere un mo positivo e non più di una perdita predeterminata? Questi sono i tratti quasi stazionari dall'entrata all'uscita degli scambi.
Questo è il punto di questo thread.
Infatti è quasi-stazionario, nella previsione è non stazionario. Il test, compreso il test forward, è quasi stazionario, mentre il futuro è non stazionario, e quindi il test non ci dice nulla. È necessario tradurre il quoziente futuro in uno stato quasi-stazionario. Questo può essere fatto solo simulando la non stazionarietà, almeno in parte.
Questo può essere fatto solo modellando la non stazionarietà, almeno in parte.
Chi se ne frega, modella)) Ma comunque, quando si modella il cambiamento del mercato, bisogna basarsi sulle sue statistiche nel passato e su una sorta di modello immutabile. Cioè, solo i parametri di questo modello cambiano in base alla storia più vicina. L'adattabilità è una normale proprietà di TS :)