Previsão de mercado com base em indicadores macroeconômicos - página 6
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
Em mql vai algo parecido com isto.
if(h<3) { h=pow(4./3./n,0.2); }
Há aqui um erro. Se h não é dado, é calculado pela fórmulah=pow(4./3./n,0.2). Se especificado como um parâmetro de entrada p_h, então h = p_h. Em Matlab, a variável que mede o número de entradas é chamada de nargin. Se nargin<3, então significa que apenas as duas primeiras entradas são especificadas quando a função é chamada, x e y. Neste caso, calculamos h usando a fórmula.
if(h<3) { h=pow(4./3./n,0.2); }
Há aqui um erro. Se h não é dado, é calculado pela fórmulah=pow(4./3./n,0.2). Se especificado como um parâmetro de entrada p_h, então h = p_h. Em Matlab, a variável que mede o número de entradas é chamada de nargin. Se nargin<3, então significa que apenas as duas primeiras entradas são especificadas quando a função é chamada, x e y. Neste caso, calculamos h usando a fórmula.
Encontrei um artigo e parecia ser sobre o assunto. O arquivo está no anexo.
Aqui está a frase
Relatamos evidências de uma profunda interação entre as propriedades hierárquicas de correlações cruzadas e a multifatualidade dos retornos diários de ações da Bolsa de Valores de Nova York.
Encontrei este artigo e parecia ser sobre o assunto. O arquivo está no anexo.
Aqui está a frase
Relatamos evidências de uma profunda interação entre as propriedades hierárquicas de correlações cruzadas e a multifatualidade dos retornos diários de ações da Bolsa de Valores de Nova York.
Acho este artigo difícil de entender, mas obrigado de qualquer forma.
Eu me perguntava sobre a distribuição de desvios positivos e negativos de preços de mercado. Foi discutido aqui uma vez e a conclusão foi que os desvios negativos são mais fortes do que os positivos. Vou tentar substituir a regressão de linha única por duas linhas, uma para valores de entrada positivos e outra para valores de entrada negativos. Vou ver o que acontece.
Acho este artigo difícil de entender, mas obrigado de qualquer forma.
Eu me perguntava sobre a distribuição de desvios positivos e negativos de preços de mercado. Isto foi discutido aqui uma vez e a conclusão foi que os desvios negativos são mais fortes do que os positivos. Vou tentar substituir a regressão de linha única por duas linhas, uma para valores de entrada positivos e outra para valores de entrada negativos. Vou ver o que acontece.
Os modelos vêm em dois tipos:
As florestas RandomForest são muito comuns para classificação, elas funcionam muito bem para dados de origem com muitas variáveis que têm um pequeno número de dimensões. Normalmente, 50-100 medidas são suficientes. E as variáveis podem ser várias dezenas de milhares.
O Rattle é muito útil para cálculos aproximados. Você mencionou Matlab, então para você Rattle é um dia de trabalho e 6 modelos de ambos os tipos se tornam disponíveis, tanto modelos de regressão como modelos de classificação. Lá você também pode ver correlações, descartar algumas variáveis, estimar o resultado..... Obtenha muitas informações interessantes sobre suas variáveis. A propósito, avaliar a importância das variáveis.
Passe tempo no Rattle - você não se arrependerá, especialmente em seu estágio e em seus objetivos - apenas para ver o que você recebe.
Você gostaria de adicionar estes dados ao seu classificador: "Projeto Meta COT - novos horizontes para análise dos relatórios CFTC no terminal MetaTrader 4". Seria interessante ver o quão forte é o seu preditor.
Olhou para o artigo, mas não entendeu os dados. Eu adoraria tentar novos dados, mas me diga exatamente de que tipo e onde obtê-los. Os dados devem ser pelo menos até 1980 (idealmente se a partir de 1960). O RMS das previsões do meu sistema diminui se você mover o início da história para a direita e suas previsões se tornam piores do que previsões aleatórias se o início da história de treinamento for movido depois de 1980. Isto se deve muito provavelmente a uma redução no número de previsões passadas com base nas quais os melhores preditores são escolhidos para o período em teste desde 2000. Eu já estou bombeando a relação de put/call para o S&P 500, mas estes dados são descartados pelo meu sistema a partir de 1995 e o sistema começa a aprender a partir de 1960. Todos os dados que começam depois de 1860 são automaticamente descartados.
Infelizmente, a exigência de profundidade para 1960 é muito difícil. Os COTs, como começaram a ser publicados, começaram a ser montados no final dos anos 80 (os bons e velhos anos 80).
Tente montar um modelo que leve menos história para aprender. O COT sai uma vez por semana, com rácios de colocação/chamada geralmente disponíveis no final de cada dia. Isto é, o número total de medidas para tais dados poderia ser ainda maior do que para relatórios mensais.
Se alguma coisa, os dados estão aqui: http://www.cftc.gov/MarketReports/CommitmentsofTraders/HistoricalCompressed/index.htm
Como podemos prever o crash causado em maio de 2010 por um erro do robô (é o que todos pensam) e o euro caiu mais de 1000 (!) pips ou o crash causado pelo comportamento do franco em janeiro?
É por isso que um acidente é um acidente que acontece IMEDIATAMENTE! :)
Uma falha causada pelo algoritmo é um erro de algoritmo, ocorre raramente e pode ser corrigida analisando a situação e o próprio algoritmo.
Mas o crash acontece todos os dias, qualquer mudança brusca do estado de equilíbrio pode ser considerada do ponto de vista de um crash.
Tal acidente é causado pelo comportamento da multidão e tem seus presságios. Todos estão procurando por eles.