Bayesian regression - Делал ли кто советник по этому алгоритму? - страница 44
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
Классификация тоже базируется на характеристиках входящих данных, а если эти характеристики меняются со временем, то в будущем применение классификации даст некорректный прогноз
Всё печально...
Точно. Разложить данные по бинам (карманам) можно легко. Проблема будет, когда распределение вероятности на бинах поменяется на данных вне обучающей выборки.
Ничто не вечно под луной.
Но в классификации что-то такое, очень близкое для слуха трейдера имеется.
Сидим пялимся на графики и пытаемся найти какие-нибудь паттерны. И вот оно счастье: пересечение двух машек! Уж не говоря о такой фигуре как "голова и плечи".
А тут запускаешь алгоритм и он находит несколько сотен деревьев (счастья в сотни раз больше, чем с машками), которые есть комбинации значений входных данных, которые можно связать с выходной переменной. Просто родство душ и ТА, но на каком уровне!
Нестационарные данные не прогнозируются моделями временных рядов. Ни статистическими моделями (регрессия, авторегрессия, сглаживание и пр.), ни структурными моделями (НС, классификация, цепи Маркова и пр.).
Только моделями предметных областей
Я видимо что-то не понимаю, но о какой статистике и о каких моделях может идти речь, если - корреляционная функция для производной винеровского процесса является дельта-функцией. Конечно рыночные данные не винеровский процесс в чистом виде (по крайней мере не в однородной стационарной среде), но корреляции на современном рынке значимы на интервале, как правило, не более 1-2 часов, в основном, где-то 15-30 мин. И, вообще-то, не факт, что это реальность, а не "кажущееся отражение кажущейся луны" (с)
Интересно, что ваша точка зрения сильно совпадает с моей ) Я показал наличие устойчивых "корреляций", а лучше сказать зависимостей от нескольких предикторов как раз для интервала от 20 минут до часа. Почитайте: https://www.mql5.com/ru/blogs/post/661499
Но это еще не финальная истина. Значимость перекоса вероятности для булевой переменной (прогнозирование знака движения цены) есть и на более дальних горизонтах. Об этом я еще напишу подробно.
Ничто не вечно под луной.
Но в классификации что-то такое, очень близкое для слуха трейдера имеется.
Сидим пялимся на графики и пытаемся найти какие-нибудь паттерны. И вот оно счастье: пересечение двух машек! Уж не говоря о такой фигуре как "голова и плечи".
А тут запускаешь алгоритм и он находит несколько сотен деревьев (счастья в сотни раз больше, чем с машками), которые есть комбинации значений входных данных, которые можно связать с выходной переменной. Просто родство душ и ТА, но на каком уровне!
Нестационарные данные не прогнозируются моделями временных рядов. Ни статистическими моделями (регрессия, авторегрессия, сглаживание и пр.), ни структурными моделями (НС, классификация, цепи Маркова и пр.).
Только моделями предметных областей
А где почитать можно о "моделях предметных областей"? Точнее, насколько я понял, применительно к предметной области "котировки цен/биржевые котировки цен".
Применительно - это фундаментальный анализ.
Модели предметных областей - это модели, которые объясняют процесс факторами вне временного ряда. Например, термодинамика