Confronto di due grafici di quotazione con distorsioni non lineari sull'asse X - pagina 9
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
ha avuto un po' di tempo oggi per sperimentare il codice, ecco a voi come richiesto per un centinaio :)
cercando paternali, una specie di ottimizzazione - un mese (gennaio), avanti 12 mesi, non so cosa c'è in questi paternali, ma penso che ci sia qualcosa, proverò di nuovo, dovrei usare diverse valute
Non credo molto in questi modelli (anche se dipende da quali, ovviamente; come dire... non devono essere geometricamente evidenti).
Ma ora è più interessante.
Ben fatto. Siamo in attesa di una descrizione dettagliata della cucina matematica. Se hai la possibilità, posta qui quando appare nel codebase
Ho idee vaghe sul confronto, simili alla ricerca di errori di ortografia sotto forma di lettere mancanti, cambiate o extra nelle parole. (Una volta ho scritto una procedura simile per un traduttore automatico).
Per evitare di aprire un thread separato, ho deciso di descrivere qui i risultati della mia ricerca sui modelli. Forse farà risparmiare tempo a qualcuno e darà a qualcuno nuove idee.
Nel 2006, quando mi sono interessato per la prima volta al Forex, la mia prima idea è stata quella di confrontare le ultime N barre (pattern attuale) con tutti i pattern passati della stessa quotazione, utilizzando il coefficiente di correlazione come misura di somiglianza. Questo è lo stesso metodo del nearest neighbour (SN). Il vantaggio del coefficiente di correlazione rispetto alla lunghezza euclidea è che tiene conto della distorsione dell'asse dei prezzi. Ho costruito un Expert Advisor utilizzando questo metodo che ha mostrato una redditività straordinaria per 2-3 mesi di test in avanti (10к in 10М o qualcosa di simile), ma poi perdeva 2-3 mesi. E così la sequenza: un enorme profitto, poi una perdita totale. Sono tornato più volte a questo metodo BS, ho fatto comitati di vicini, ecc, ma il risultato è stato lo stesso. Alla fine sono rimasto deluso e ho messo il codice del metodo BS nella base su 5.
Nel 2007-2008 mi sono interessato a PNN, in particolare a GRNN. L'essenza è la stessa di BS, ma invece di selezionare alcuni (o pochi, come nel comitato) vicini simili, tutti i modelli passati sono selezionati automaticamente e la loro influenza sulla previsione è pesata da una funzione esponenziale come exp(-measure_difference). Così le parti di storia più simili sono pesate esponenzialmente di più. Puoi prendere i prezzi dei modelli (meno la media) e calcolare la distanza euclidea come misura della differenza, oppure puoi prendere la differenza delle letture vettoriali di alcuni indici. L'accuratezza della previsione era leggermente superiore al metodo BS, 52% invece di 50,5% (non ricordo esattamente).
La mia ultima idea era quella di utilizzare i metodi usati dal nostro cervello per trasformare le informazioni. Ho descritto questi metodi in dettaglio il 5. L'essenza di uno di essi è trovare modelli (o funzioni di base) in cui i prezzi correnti possono essere scomposti. Come
Prezzo[i] = somma (a[k]*funzione[i][k], k=1...L) i=1...N
Naturalmente, possiamo prendere le funzioni trigonometriche invece di cercare le basi e usare la trasformata di Fourier. Ma è più probabile trovare le funzioni di base sulla storia usando il metodo della codifica rarefatta. L'essenza di questo metodo consiste nell'adattamento del modello lineare menzionato nei prezzi a vari intervalli storici di lunghezza N da parte di ANC in modo tale che l'errore specificato sia raggiunto al minor numero di coefficienti non nulli a[k], k=1...L. Idealmente, ogni vettore di prezzo storico contiene solo una funzione base (o pattern). Ad ogni passo i coefficienti e le funzioni stesse sono ottimizzati. Ci sono molti parametri che non si conoscono in anticipo. Per esempio, la lunghezza del modello N, il numero di funzioni di base nel dizionario L, il numero di coefficienti non nulli nella nostra decomposizione (io scelgo 3, come ogni segmento di prezzo consiste nella coda del vecchio modello, il modello attuale e l'inizio del nuovo modello). È importante che N*L sia molto inferiore alla lunghezza dell'intera storia, altrimenti l'algoritmo troverà modelli uguali ai prezzi passati stessi e quindi avremo qualcosa come il metodo dei vicini più vicini. Per esempio, il dizionario di 64 pattern lunghi 64 barre ciascuno per EURUSD H1 addestrato tramite codifica disgiunta sulla storia del 1999-2010 (74 barre) sarà come questo
Ho notato la seguente regolarità: più lungo è il modello e maggiore è il numero di essi nel dizionario, maggiore è il profitto nel bactest, che può essere spiegato dal sovrallenamento. Ma in ogni caso, con N e L diversi, il test in avanti sembra chiacchierare intorno al profitto zero. Comincio ad essere frustrato dagli schemi. Apparentemente non sono costanti nel forex, o in altre parole il forex non ha memoria per i modelli - ne vengono creati di nuovi ogni volta.
Se si aggira intorno allo zero a un lotto costante, hai già una macchina per stampare soldi... Lotti - MM - si avvitano per eliminare le serie non redditizie...
In generale - qualsiasi TS che ha per 1000 o più scambi, una perdita non superiore a (spread * 1,5 * numero di scambi) è un sistema potenzialmente molto redditizio... (con un lotto costante, se questo risultato è mostrato)
Se si aggira intorno allo zero a un lotto costante, hai già una macchina per stampare soldi... Lotti - MM - si avvitano per eliminare le serie non redditizie...
In generale - qualsiasi TS che ha per 1000 o più scambi, una perdita non superiore a (spread * 1,5 * numero di scambi) è un sistema potenzialmente molto redditizio... (con un lotto fisso, se è quello che sembra)
C'è MM con stop-loss e aumento proporzionale del volume. Stai parlando di una martingala o qualcosa del genere?