Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2525
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
На реальном рынке? Лично я придерживаюсь какой то такой философии:
*но не очень хочу это обсуждать, потому что без доказательств бесполезно обсуждать предположения.
В первой половине нулевых был всплеск научных работ с попытками использовать построенную теорию динамического хаоса для предсказания финансовых временных рядов. Основная идея: по реализации временного ряда восстановить динамическую систему и использовать её уже для предсказания. Потом как-то поток публикаций поредел.
Тут полфорума и на СБ "зарабатывает", с пеной у рта)
Вы разве не заметили, что количество "случайноблуждателей" сократилось. Даже Александр не повелся на мою провокацию ))).
Я бы еще, если не возражаете, переписал в более привычном виде: АКФ(t) = sqrt((n-t)/n), где n - размер выборки.
У вас так получается только корреляция последнего значения в выборке со всеми остальными, а ведь они друг с другом тоже как-то коррелируют) Например, если 1<=t1<=t2<n, то АКФ(t1,t2)=sqrt(t1/t2).
К тому же, мне привычнее для СБ предполагать время (размер выборки) бесконечным, поскольку многие полезные задачи (те же вероятности достижения уровней) решаются проще при таком предположении.
В первой половине нулевых был всплеск научных работ с попытками использовать построенную теорию динамического хаоса для предсказания финансовых временных рядов. Основная идея: по реализации временного ряда восстановить динамическую систему и использовать её уже для предсказания. Потом как-то поток публикаций поредел.
Помнится, была книга Петерса по теме, где он вычислял размерность аттрактора для какого-то рынка. Она у него вроде бы получалась весьма большой, что заставляет задуматься о статистической значимости результата.
У вас так получается только корреляция последнего значения в выборке со всеми остальными.
Ну это классическое определение АКФ.
Например, если 1<=t1<=t2<n, то АКФ(t1,t2)=sqrt(t1/t2). К тому же, мне привычнее для СБ предполагать время (размер выборки) бесконечным, поскольку многие полезные задачи (те же вероятности достижения уровней) решаются проще при таком предположении.
Кстати, ответ на реплику: "Формулу выводят, из спортивного интереса) для заработка она вряд ли пригодится."
Помнится, была книга Петерса по теме, где он вычислял размерность аттрактора для какого-то рынка. Она у него вроде бы получалась весьма большой, что заставляет задуматься о статистической значимости результата.
Ага, "Хаос и порядок на рынке капитала". Было много публикаций. Но что-то ничего не устоялось.
Кстати, ответ на реплику: "Формулу выводят, из спортивного интереса) для заработка она вряд ли пригодится."
Уровней вверх? или уровней вниз?)
Вопрос, конечно, нужно переадресовать Алексею. Но я бы ответил "без разницы". Речь, я предполагаю, идет о том, что СБ проходит путь пропорционально sqrt(t).
У вас так получается только корреляция последнего значения в выборке со всеми остальными, а ведь они друг с другом тоже как-то коррелируют) Например, если 1<=t1<=t2<n, то АКФ(t1,t2)=sqrt(t1/t2).
У меня другой вопрос. Вот считаем АКФ соседних значений в выборке бесконечного размера. Например, t1=1, t2=2. Получаем АКФ = sqrt(0.5) ~ 0.707. Теперь берем другие соседние значения, например, t1=10000, t2=10001. Получаем АКФ = 1 (почти). Получается, соседние значения по разному коррелируют друг с другом. Это нормально?
Если честно, то я вообще ничего не могу понять.
p.s может какой-нибудь супер умный математик сжалится надо мной и объяснит что здесь происходит?
не нужен в торговле "супер умный математик".....
в DL 3 слоя - внутренний (hidden) обрабатывает t момент соответственно внешние t-1 и t+1... - отсюда возможна автокорреляция... имхо... вижу так
хотя мне почему-то кажется, что если брать не delta изменение признака во времени, а подрядить какой индекс - то, возможно, эффект автокорреляции этих пересекающихся значений во временном пространстве можно как-то нивелировать... спорно... ведь close(t)/close(t-1) тоже имеет пересечение, а значит и автокорреляцию... хотя при TF>15min вроде автокорреляция исчезает (не замечена) -- сама лично не проверяла ... да и это ещё не тот индекс, который мне нужен...
молиться на автокорреляцию в моделировании движения цены на адекватных TF'ах бесполезно... а дергать модель после каждого тика -- уже и смысла в моделировании (как в выводе закономерностей, тем более долгосрочных) нет... тоже имхо (но более вероятностно справедливое)...
НО Рекуррентные нейронные сети передают инфо только вперёд (с появлением машин Больцмана начали использоваться в многослойном вероятностном обучении)... хотя уже звучало
Рекуррентные сети и байесовские методы, сами по себе, не продемонстрировали ни способность вытащить «память» из финансовых временных рядов, ни получить выводы о наиболее устойчивой модели на новых данных.
поэтому рекурсивные сети с обратным распространением ошибки и её минимизацией dy/dx используются в реальных задачах (т.к. позволяют выполнять интегрирование как раз по этой причине своих возможностей минимизации dy/dx)
p.s.
в общем, как по мне - всё тот же метод Монте-Карло -- только силами машины... я не вижу пока ничего нового в поиске forward'a с использованием backpropagation... чисто терминологически...
p.p.s
разве что с Theano можно попробовать что-нибудь не сильно загружая ресурсы пк (хоть и распиарен TensorFlow)...
а уже, что Y, а что X - на усмотрение разработчика (или априорно или в результате стат анализа)... коль вы дружите с python -- в sklearn уже даже возможности 2-в-1-ом реализованы в некоторых методах? примерах! -- и сами feature importance делают и сами ML делают -- тоже пару строк (как и вы нашли corrcoef в пару строк)