Discussão do artigo "Identificação e classificação de padrões fractais por meio de aprendizado de máquina"
Para evitar a necessidade de calcular em diferentes escalas de tempo, provavelmente faz sentido converter previamente as cotações em Renko.
Em um sentido acadêmico, a abordagem é interessante (eu a chamaria mais especificamente de "espelhamento", porque, até onde eu entendo, tivemos que nos afastar dos fractais e usar um comprimento de janela constante de 100, no qual está o avanço mais bonito), mas, na minha opinião, as dependências entre o passado e o futuro na série de cotações são constantemente e inesperadamente quebradas por forças externas.
ZЫ. erro de digitação: "definido no intervalo de 15 a 30", deveria ser até 300.
Para evitar a necessidade de calcular em escalas de tempo diferentes, provavelmente faz sentido converter previamente as cotações em Renko.
Em um sentido acadêmico, a abordagem é interessante (eu a chamaria mais especificamente de "espelhamento", porque, até onde entendi, como resultado, tivemos que nos afastar dos fractais e adotar um comprimento de janela constante de 100, o que é um avanço mais bonito), mas, na minha opinião, as dependências entre o passado e o futuro na série de cotações são constantemente e inesperadamente quebradas por forças externas.
ZЫ. erro de digitação: "definido no intervalo de 15 a 30", deveria ser até 300.
Ainda não pensei em como levar em conta a variabilidade dos fractais no tempo. Porque o MO começa a memorizá-los e, com novos dados, não são encontrados exatamente os mesmos. Com uma janela fixa, a variabilidade é aparentemente menor - menos para memorizar :)
Com o tempo, algo funcionará, pois não se sabe de antemão o que exatamente deve ser feito.você não sabe de antemão exatamente o que deve fazer
Havia um James Simons, ele sabia exatamente o que fazer.
Aprendizado de máquina, IA, tudo isso é ótimo.
É o ser humano que define as tarefas para a máquina. A consciência humana, especialmente a inconsciente, é muito mal compreendida. Não estou falando do inconsciente coletivo. Mas, em minha opinião, é aí que está a pista para o funcionamento dos mercados.
Por acaso você leu o livro "The Bronze Bird", de Yamvlich e Rybakov?
Havia um James Simons, ele sabia o que fazer.
Aprendizado de máquina, IA, tudo isso é ótimo.
É o ser humano que define as tarefas para a máquina. A consciência humana, especialmente o inconsciente, é muito mal compreendida. Não estou falando do inconsciente coletivo. Na minha opinião, é aí que está a pista para o funcionamento dos mercados.
Por acaso você leu o livro "The Bronze Bird", de Yamvlich e Rybakov?
Este artigo é sobre aprendizado de máquina e fractais. Os artigos moldam o inconsciente coletivo.
Não estou falando apenas deste artigo. O artigo não é ruim, dentro da corrente principal. Trata-se de outra coisa.
"Ainda não descobri como levar em conta a variabilidade dos fractais no tempo" - enquanto isso, esse é um parâmetro fundamental que determina a eficácia de qualquer previsão.
E não é apenas um problema seu, é um problema global - a mudança de todos os coeficientes sob variáveis com o tempo.
Para entender a essência do problema, você precisa ir mais além e repensar os conceitos iniciais. Por exemplo, a maioria dos fractais não é autossimilar, 1 dólar em 2000 não é igual a 1 dólar em 2025 (ou seja, 1 não é igual a 1).
Muitos outros exemplos podem ser dados, na sociedade (economia) prevalece a distribuição de Pareto, e não a distribuição de Gauss, de modo que a maioria dos métodos estatísticos não se aplica à análise de mercado, etc.
O sucesso de Simons sugere que há uma solução para o problema, mas é preciso procurar em outro lugar.
Não estou me referindo apenas a este artigo. Ele não é um artigo ruim, dentro da tendência geral. Trata-se de outra coisa.
"Ainda não descobri como levar em conta a variabilidade dos fractais ao longo do tempo" - enquanto isso, esse é um parâmetro fundamental que determina a eficácia de qualquer previsão.
E esse não é apenas o seu problema, é um problema global - mudança de todos os coeficientes com variáveis ao longo do tempo.
Para entender a essência do problema, você precisa ir mais além e repensar os conceitos iniciais. Por exemplo, a maioria dos fractais não é autossimilar, 1 dólar em 2000 não é igual a 1 dólar em 2025 (ou seja, 1 não é igual a 1).
Muitos outros exemplos podem ser dados, na sociedade (economia) prevalece a distribuição de Pareto, não a distribuição de Gauss, portanto, a maioria dos métodos estatísticos não se aplica à análise de mercado etc.
O sucesso de Simons sugere que há uma solução para o problema, mas é preciso procurar em outro lugar.
Acho que a solução dele é a arbitragem. Muitas estratégias de arbitragem também param de funcionar com o tempo.
Hilbert?
Em geral, quase não há informações detalhadas sobre os métodos de trabalho de Simons, e isso é compreensível. Mas sabe-se que ele dobrou seu capital a cada ano e, no final de sua vida, sua fortuna foi estimada em mais de 20 bilhões.
Mas a questão não é ele, é a possibilidade de encontrar uma fórmula. Espaços multidimensionais é a terminologia atual para as ideias pitagóricas. É um tópico muito profundo. A multifractalidade também pode ser vista como um análogo primitivo do espaço multidimensional, em que os vértices e os gráficos são projeções em um gráfico de movimentos ocultos. Se o tópico for interessante para você, posso compartilhar minhas considerações - desenvolvimentos, mas é melhor que seja por correspondência individual.
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Identificação e classificação de padrões fractais por meio de aprendizado de máquina foi publicado:
No primeiro artigo analisamos detalhadamente os aspectos fundamentais da teoria multifractal do mercado. Nele, falamos sobre o fato de que os gráficos de cotações são capazes de formar determinadas estruturas recorrentes sob a influência de informações externas que as organizam. Os participantes do mercado criam um sistema dinâmico complexo que possui elementos de memória, que assume a forma de determinadas simetrias de mercado, isto é, padrões. Esses padrões podem evoluir ao longo do tempo ou podem se repetir. Graças à autossimilaridade das estruturas fractais do mercado, os padrões podem ser expressos em diferentes escalas temporais.
Neste artigo será proposta uma abordagem original para a busca e classificação de padrões fractais. O estudo será conduzido na linguagem Python, com a possibilidade de exportação dos modelos finais para o terminal MetaTrader 5 no formato ONNX.
Autor: dmitrievsky