Обсуждение статьи "Рыночная микроструктура в MQL5 (Часть 7): Классификация рыночных режимов"
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
Опубликована статья Рыночная микроструктура в MQL5 (Часть 7): Классификация рыночных режимов:
Часть 1 заложила защитную основу. Во второй и третьей частях мы проверили, обладает ли цена памятью. В четвертой части мы исследовали динамику волатильности и устойчивость ее изменений. В пятой части мы разделили вариацию цены на шум и сигнал. В шестой части мы определили направление информированного потока ордеров. Вместе части 2-6 дают одиннадцать показателей рыночной среды на минутном таймфрейме.
Каждый показатель сам по себе информативен. Однако показатели коррелируют и частично дублируют друг друга; одновременно учитывать их все при принятии решений в реальном времени невозможно. Система расчета размера позиции не может реагировать на одиннадцать отдельных сигналов. Нужно свести показатели к единой составной метке, кратко описывающей текущую рыночную среду сессии, и оценке достоверности, отражающей надежность согласования доступных измерений.
В седьмой части реализовано это сведение к единой классификации. Функция RegimeClassifier() получает результаты частей 2-6 и присваивает одну из шести меток режима (нормальный, стрессовый, шумовой, информированный, трендовый, возврат к среднему). Также она возвращает оценку достоверности в диапазоне [0, 1] и составную оценку направления в диапазоне [-1, +1]. Границы классификации получены эмпирически по 514 сессиям NQ M1. Шесть меток описывают разные торговые условия, требующие соответствующего выбора размера позиции, размещения стоп-лоссов и фильтрации сигналов.
Классификатор использует правила, упорядоченные по приоритету, а не статистическую модель. Это осознанное проектное решение. Классификатор машинного обучения (метод k-средних, случайный лес, скрытая марковская модель) потребовал бы проверки на вневыборочных данных, которую невозможно провести в рамках одной статьи. Классификатор на основе правил полностью прозрачен, напрямую связан с эмпирическими порогами частей 4-6 и может использоваться сразу, без этапа обучения. Правила описаны полностью; читателям рекомендуется заново откалибровать пороги для своих инструментов и периодов выборки.
Автор: Max Brown