Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 623
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Não, java não é uma linguagem interpretada, é traduzível, como C#, a tradução acontece uma vez, o resultado é "byte code", que é executado por máquina virtual, java e sysharp são mais lentos do que C++ não significativamente, 1-2 vezes mais lentos, dependendo do algoritmo, a otimização é apenas em nível baixo (inseguro), devido ao manuseio de ponteiro e layout de memória inteligente, quando se trabalha com abstrações padrão de alto nível, como vetor, lista, etc. o desempenho é comparável ao do java\c#. Mas python e R perdem por dezenas de vezes, às vezes por centenas, se você escrever algoritmos nativos, a interpretação ocorre sempre em tempo de execução.
Selecção de características
Aplicação do algoritmo de suavização Lowess:Para filtrar outliers sobre os dados.
Delta, derivado, log derivado, detrending com ema e lowess:
Yuriy Asaulenko:
Porque não o Python? Talvez o mesmo R? Eu não entendo.
Eunão entendo:
Eu não vou falar por Michael, ele próprio é capaz de argumentar a sua escolha, mas posso sugerir que provavelmente porque python e R estão a interpretar línguas de alto nível, eles são como o matlab ou "matemática" em vez das próprias línguas, é muito fixe aprender, mas na produção quando se precisa de lutar com algoritmos exclusivos, sem hipóteses, é como ganhar a fórmula 1 numa scooter
Quando você precisa escrever o código de produção, você vai precisar de java ou c++, então é mais uma questão de tempo, porque você tem que estudar ou pros ou java, enquanto python e R são apenas "por diversão".
https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d
Procurando por VAR, VECM, o pacote vars, e nele, como sempre, as referências. Limites de Entrada por SETAR
Liguei-o, mas vou ao Google para ajudar - literatura e aplicações específicas ....
Se ultrapassares a propagação, talvez partilhes. É tão bonito sem a propagação, que é difícil tirar os olhos de cima dele.
Eu já li, mas já o fiz antes e mostrei os incrementos, mas fi-lo via RF. Eu já o fiz com RF. Os resíduos lá são realmente menores do que o espalhamento, muitas vezes. Com a LR os resíduos devem ser maiores (em pips), porque a RF armazena de forma demasiado poderosa todas as dependências. Mas é um tema interessante em si mesmo, cheguei a ele intuitivamente, sem saber que tais modelos já foram inventados :)
E exemplos de ofícios, puramente visuais (ainda não conferi com o bot)
os saldos parecem ser normalmente distribuídos, mas alguma ciclicidade não é totalmente selecionada
e é assim que o modelo se decompõe no OOS... recalcula a cada 50 barras e se decompõe novamente, quase imediatamente :)
Você ignora os testes por alguma razão, enquanto a cointegração é impensável sem eles. Afinal, a idéia principal da cointegração é tomar decisões de negociação em uma série STATIONARY, e tal série é previsível, ao contrário de não estacionária. O teste fornecerá provas de previsibilidade sobre a história.
Bem, veja no vídeo como uma série STATIONARY sobre a amostra de treino se transforma numa série não estacionária sobre a amostra de frente. Porquê fazer um monte de testes quando se pode ver tudo
É produzido em desvios padrão. Em novos dados aparecem muitos desvios de 3+ que indicam que o modelo vetorial não funciona tão bem quanto o modelo padrão
Vou fazer outra representação um pouco mais tarde, já parece um pouco mais interessante :)
Você ignora os testes por alguma razão, enquanto a cointegração é impensável sem eles. Afinal, a idéia principal da cointegração é tomar decisões de negociação em uma série STATIONARY, e tal série é previsível, ao contrário de não estacionária. O teste fornecerá provas de previsibilidade sobre a história.
Vamos pôr as coisas assim:
No screenshot vermelho são apenas incrementos com defasagem 55 do par atual, verde é uma aproximação... hmm... vamos chamá-lo de autoregressão vetorial não linear (usando incrementos do par atual e outro par de moedas (GBPUSD), vários outros diferentes). os incrementos previstos com defasagem 55 do par atual, naturalmente, não são alimentados para a entrada do modelo, mas apenas para a saída.
Tudo parece estar bemna história .
Mais adiante no vídeo, vamos ver como funciona o modelo no forward.
Não ficou muito claro no vídeo anterior com desvios padrão: pegamos a diferença entre 2 curvas e a utilizamos para calcular os desvios.