Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3005
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
Можно взять мандельбротовское представление цены в виде леса троичных деревьев, где каждое движение разбивается на три (два движения в том же направлении и коррекция между ними).
Преимущество в доступе к сбору любой статистики о фрактальной структуре цены. Недостатки - сложность алгоритмов и трудность избегания заглядывания вперёд.
А в виде асоциативных правил можно представить?
Не задумывался над этим, но думаю что вряд ли, поскольку в ценах важен порядок движений.
На всякий случай, картинка для иллюстрации идеи Мандельброта. Каждое движение цены, если это возможно, разбивается на три движения (посредством выделения максимальной коррекции внутри него), тогда оно становится узлом дерева. Если коррекции внутри движения нет (либо она меньше заданной величины), тогда оно становится листом дерева.
поскольку в ценах важен порядок движений.
При произвольной перестановке приращений структура цены теряется и получается СБ. Это используется, например, при Монте-Карло, когда цена сравнивается с большим количеством полученных из неё перестановками вариантов СБ.
При произвольной перестановке приращений структура цены теряется и получается СБ. Это используется, например, при Монте-Карло, когда цена сравнивается с большим количеством полученных из неё перестановками вариантов СБ.
А почему мы говорим о приращениях, а не о абсолютных ценах?
А почему мы говорим о приращениях, а не о абсолютных ценах?
Потому что изначально речь была о движениях цены, а движение - это прежде всего приращение, поскольку если нет приращения, то нет и движения.
Но даже если говорить про уровни или вершины, то их произвольная перестановка - так себе идея, поскольку так из роста можно получить падение и тд.
Не задумывался над этим, но думаю что вряд ли, поскольку в ценах важен порядок движений.
Стандартный подход, когда выборка для обучения получаем по sample, а для проверки - остаток от sample.
Потому что изначально речь была о движениях цены, а движение - это прежде всего приращение, поскольку если нет приращения, то нет и движения.
Но даже если говорить про уровни или вершины, то их произвольная перестановка - так себе идея, поскольку так из роста можно получить падение и тд.
вы покупаете по реальной цене , ваш стоп по реальной цене , ваш тейк по реальной цене..
если вы зашли по цене "1,55" , а ваш стоп "2,05" и рынку надо пойти выбить ваш стоп, то если вы перемешаете индексы у ряда , особо ничего не поменяеться, цена вашего стопа так и останеться "2,05" просто будет в другом месте ..
А если вы сделаете приращения и перемешаете их и потом попробуете "собрать" обратно , то вы уже не сохраните информацию о вашем стопе, там будет просто каша , белый шум...
Вспомните вашу статью про гепы .. рынок закроет геп , но это может быть сегодня, а может и через неделю .. но закроет..
Тоесть есть смысл не учитывать время , последовательность .... только цену (геп/тейк/стоп) которая либо будет либо не будет
Это тема как раз про асоциативные правила , которые по сути есть графы ,
есть нейронка которая умеет работать с графами, вот меня и заинтерисовала вся эта тема..
Я не понимаю из чего исходят такие предположения, и это опять работа с признаками, а не совершенствование способа обучения. То есть вторично.
С предиеторами так же надо работать, поэтому не вижу смысла решать только одну из задач, отказываясь от второй. Метод может выявить нечёткую цикличность в вероятностной предрасположенности предиктора. Ну это я так думаю - надо проверять.
Есть предположение, что модели цепляют часто выбросы. Вот думаю, как бы посмотреть откуда в среднем из диапазона предиктора берутся данные в модели - учесть плотность распределения показателей предиктора.
Не слышали про такую метрику, а то может я опять велосипед придумал?
С предиеторами так же надо работать, поэтому не вижу смысла решать только одну из задач, отказываясь от второй. Метод может выявить нечёткую цикличность в вероятностной предрасположенности предиктора. Ну это я так думаю - надо проверять.
Есть предположение, что модели цепляют часто выбросы. Вот думаю, как бы посмотреть откуда в среднем из диапазона предиктора берутся данные в модели - учесть плотность распределения показателей предиктора.
Не слышали про такую метрику, а то может я опять велосипед придумал?