Обсуждение статьи "Индикатор прогноза волатильности при помощи Python"
Шикарная статья, спасибо! Понимаю, что статья совсем свеженькая, но спрошу - практика работы с прогнозом волатильности есть? Когда сам "баловался" с регрессиями, подтвердил сторонние наблюдения, что предсказания невозможны от слова совсем. Если коротко - тренировка модели на периоде в несколько месяцев с валидацией на значениях будущего месяца и проверка модели, тестирование, на ещё следующем месяце. Тестовая линия регрессии ложится идеально на котировки. Но стоит стоит "таргет" для модели сместить на 1 бар в будущее и на тесте рисуется полная задница. Не секрет, что любые индикаторы, и волатильности в том числе, производные от цены. Имеется скептическое ощущение, что результат должен быть аналогичным. С другой стороны, понимаю, что уровень разнообразия данных в датасете может сильно влиять результативность модели. Почему заинтересовала Ваша статья - подумалось, что Ваш подход существенно лучше "вписывания" внутрь стратегии новостных финансовых календарей, чтобы избегать торговых операций вблизи (перед) новостей
Здравствуйте! Спасибо большое. Я не опираюсь только на один метод. У меня комплесный Пайтон EA, где и анализ наивных паттернов, и машинное обучение на бинарном коде, и машинное обучение на 3D барах, и нейросеть на анализе объемов, и анализ волатильности, и экономическая модель на основе данных Всемирного банка и МВФ, огромные датасеты в сотни тысяч строк по всем странам мира, вся статистика что вообще возможна...И статистический модуль, который все возможные статистические признаки строит, и генетический алгоритм который оптимизирует гиперпараметры, и арбитражный модуль который справедливые цены валют строит, и загрузка заголовков и содержания мировых СМИ по той или иной валюте, с анализом эмоциональной окраски всех новостных статей и заметок (в 80% случаев когда СМИ подбивают что-то покупать, следом идет обвал, если новости негативные - скорее всего идет взлет с лагом 3-4 дня).
Может у вас есть идеи, что еще добавить? Я пока только пришел к выводу что еще нужно сделать выгрузку позиций с известного сайта мониторингов счетов (не знаю, можно ли его название тут говорить), код сделал, статью про это также напишу, цена чаще всего идет против толпы.
Еще в разработке выгрузка данных по фьючерсным объемам, кластерам объемов, и анализ отчетов COT - тоже на Пайтон.
Шикарная статья, спасибо! Понимаю, что статья совсем свеженькая, но спрошу - практика работы с прогнозом волатильности есть? Когда сам "баловался" с регрессиями, подтвердил сторонние наблюдения, что предсказания невозможны от слова совсем. Если коротко - тренировка модели на периоде в несколько месяцев с валидацией на значениях будущего месяца и проверка модели, тестирование, на ещё следующем месяце. Тестовая линия регрессии ложится идеально на котировки. Но стоит стоит "таргет" для модели сместить на 1 бар в будущее и на тесте рисуется полная задница. Не секрет, что любые индикаторы, и волатильности в том числе, производные от цены. Имеется скептическое ощущение, что результат должен быть аналогичным. С другой стороны, понимаю, что уровень разнообразия данных в датасете может сильно влиять результативность модели. Почему заинтересовала Ваша статья - подумалось, что Ваш подход существенно лучше "вписывания" внутрь стратегии новостных финансовых календарей, чтобы избегать торговых операций вблизи (перед) новостей
И использую я как регрессионные модели, так и классификационные, и скоро хочу вообще сделать надсистему, которая будет получать двухканально: все признаки, все сигналы всех моделей, а также плавающую прибыль / убыток и прибыль / убыток истории счета, ну и подавать это все в DQN модель=)
venv_volatility\Scripts\activate
На первую команду ответ "Python", а на эту строчку получаю: "Системе не удаётся найти указанный путь"
(свежеустановленный Пайтон, иду по вашей инструкции)
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Индикатор прогноза волатильности при помощи Python:
Прогнозируем будущую экстремальную волатильность при помощи бинарной классификации. Создаем индикатор прогноза экстремальной волатильности с использованием машинного обучения.
В этой статье я расскажу о своём пути от отчаяния к рабочей системе прогнозирования волатильности. Без занудства и академических терминов — только реальный опыт и работающие решения. Покажу, как я скрестил MetaTrader 5 с Python (спойлер: они не сразу подружились), как заставил машинное обучение работать на себя и какие грабли встретил по дороге.
Главный инсайт, который я вынес из всей этой истории — нельзя слепо доверять ни классическим индикаторам, ни модным нейронкам. Помню, как я неделю настраивал сложнейшую нейросеть, а потом простой XGBoost показал результат лучше. Или как однажды, простой Боллинджер спас депозит там, где все умные алгоритмы облажались.
А ещё я понял, что в трейдинге, как в боксе — главное не сила удара, а умение его предвидеть. Моя система не делает сверхъестественных прогнозов. Она просто помогает быть готовым к рыночным сюрпризам и вовремя увеличивать запас прочности торговой стратегии.
Автор: Yevgeniy Koshtenko