Группа пользователей MetaTrader 5 Python - краткое содержание - страница 38
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Инженерия признаков для машинного обучения (Часть 9): Тесты на структурные разрывы в Python
В предыдущих статьях серии «Инженерия признаков для машинного обучения » признаки создавались на основе самой структуры времени: в Части 1 было показано, как с помощью дробного дифференцирования сохранить долгосрочную память в стационарном ряду; в Части 3 торговый календарь был преобразован в координаты Фурье; а в Части 5 поток ордеров на уровне тиков был сжат в микроструктурную статистику с индексацией по барам. В данной статье признаки формируются на основе качественно иного вопроса: не о том, как выглядит текущий бар, а о том, изменился ли в последнее время процесс генерации данных, который его сформировал.
Инженерия признаков для машинного обучения (Часть 10): Тесты на структурный разрыв в MQL5
В 9-й части этой серии был реализован набор тестов на структурные разрывы из главы 17 книги AFML на языке Python, включающий тест Чу-Стинчкомба-Уайта (CUSUM), тест Чау-типа Дики-Фуллера, SADF для шести регрессионных моделей, а также два варианта с повышенной устойчивостью (QADF и CADF). В данной статье три основных теста — CSW, Chow и SADF — портированы на MQL5 в виде единого файла включения CStructuralBreaks.mqh, размещенного в папке MQL5/Include/StructuralBreaks/. Также включены тесты суб- и супермартингала (SM-Exp и SM-Power), что доводит набор до пяти статистических показателей на каждый бар.
Реализация на MQL5 отличается от версии на Python одним структурным решением, о котором стоит упомянуть сразу: SADF использует скользящее окно обратного обзора вместо полного расширяющегося окна. В Python расширяющееся окно является приемлемым, поскольку вычисления выполняются однократно в автономном режиме на фиксированном наборе данных. В советнике, который пересчитывается при появлении каждого нового бара, размер расширяющегося окна растёт пропорционально O(T²) по отношению к количеству завершённых баров. При T = 1 000 баров — скромном двухлетнем дневном ряду — расширяющееся окно выполняет в 15 раз больше операций во внутреннем цикле, чем скользящее окно длиной 252 бара. При T = 5 000 баров оно выполняет в 400 раз больше операций. Скользящее окно — это не компромисс; оно слегка изменяет интерпретацию статистического показателя, и это изменение описано в разделе 6.
Инженерия признаков для машинного обучения (Часть 11): Фрактальные признаки в Python
В предыдущих статьях серии «Инженерия признаков для машинного обучения » признаки выводились из геометрии цен (часть 1), из торгового календаря (часть 3), из спреда между ценой спроса и предложения и ценового воздействия (части 5–6), из информационного содержания последовательности направлений торговли (часть 7), и, совсем недавно, из моментов смены режимов (часть 10). В этой одиннадцатой части мы возвращаемся к геометрии цен, но на более грубом структурном уровне: к максимумам и минимумам колебаний, которые определяют поддержку, сопротивление и тренд.