Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1200
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
вот именно статей по поиску закономерностей через тервер почему-то мало где норм инфы
а по байесу вообще почти нет, а где есть то хрен разберешься с наскока
Главная проблема с байесом - выбор правильного априорного распределения. В нашем случае всё усложняется нестационарностью - может появиться зависимость от времени.
Кажется очевидным - строить априорное на большой истории, а апостериорное - на малой. Проблема в правильном выделении этих участков истории в условиях нестационарности.
вот именно статей по поиску закономерностей через тервер почему-то мало где норм инфы
Почему нет - тонны, запредельно, освоить невозможно. Называется GARCH. Там модель состоит из трех частей:
Что еще нужно для счастья в смысле теорвера?
Может потому и нет нигде, так как все собрано в рамках разнообразных гарчей (как-то выкладывал ссылки - более 100 разных гарчей)?
Главная проблема с байесом - выбор правильного априорного распределения. В нашем случае всё усложняется нестационарностью - может появиться зависимость от времени.
Кажется очевидным - строить априорное на большой истории, а апостериорное - на малой. Проблема в правильном выделении этих участков истории в условиях нестационарности.
да, это очевидное и более того, уже сделал через МО (на своем уровне понимания). Вторая модель корректирует сигналы первой после каждого шага. Оказалось, что все очень легко, быстро и адаптивненько.. но надо больше исследований. И надо же, даже теорию под это подогнал (байесовскую, типа по умному)
Почему нет - тонны, запредельно, освоить невозможно. Называется GARCH. Там модель состоит из трех частей:
Что еще нужно для счастья в смысле теорвера?
Может потому и нет нигде, так как все собрано в рамках разнообразных гарчей (как-то выкладывал ссылки - более 100 разных гарчей)?
а может быть, сложно сопоставить в уме.. например, условные вероятности, совместные и т.п. можно сказать что определяются через гарч?
то есть если я хочу просто задать ареал поиска так сказать, ищи мне закономерности отселе доселе, в разных комбинациях, допустим, приращений, интервалов времени или еще чего
хочу что-то подобное на питоне (заодно практика будет)
типа такого что-ли: https://www.mql5.com/ru/articles/3264да, это очевидное и более того, уже сделал через МО (на своем уровне понимания). Вторая модель корректирует сигналы первой после каждого шага. Оказалось, что все очень легко, быстро и адаптивненько.. но надо больше исследований. И надо же, даже теорию под это подогнал (байесовскую, типа по умному)
Есть ещё один очевидный способ построения априорного распределения. Если исходить из того, что цены "в пределе/в среднем" ведут себя как СБ, то можно и строить это распределение на СБ. В редких случаях это можно сделать аналитически, но обычно - Монте-Карло. Метод сложнее и не факт что лучше предыдущего.
Есть ещё один очевидный способ построения априорного распределения. Если исходить из того, что цены "в пределе/в среднем" ведут себя как СБ, то можно и строить это распределение на СБ. В редких случаях это можно сделать аналитически, но обычно - Монте-Карло. Метод сложнее и не факт что лучше предыдущего.
нормально, шарите :) или, как другой Алексей показывал кривульки распределений сигналов модели на обученной выборке, нормальная основа для априорного.
это все робастные вещинормально, шарите :) или, как другой Алексей показывал кривульки распределений сигналов модели на обученной выборке, нормальная основа для априорного.
это все робастные вещиВсё портит нестационарность, которая может быть и резкой и ползучей.
нормально, шарите :) или, как другой Алексей показывал кривульки распределений сигналов модели на обученной выборке, нормальная основа для априорного.
это все робастные вещиЕсли речь обо мне, то я показывал кривульки на тестовой выборке и экзаменационной - выборку на которой идет обучение даже не смотрю...
Всё портит нестационарность, которая может быть и резкой и ползучей.
решается подбором оптимальных весов.. например как варьировать постериор.. от равномерного до экспоненциального
Если речь обо мне, то я показывал кривульки на тестовой выборке и экзаменационной - выборку на которой идет обучение даже не смотрю...
вы же на них все равно смотрите зачем-то.. говорю про то, что можно смотреть и облизываться а можно пустить в оборот
по факту уже имеется и приор и постериор )) дальше надо просто апдейтить через веса.. это гениально и лежит на поверхности
как бы сказал Александр.. готовьте мешки