Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1015
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
Тупо говоря, в скользящей выборке ретурнов надо вычислять оценку АКФ для этого дискретного ряда. Если она периодическая, то следующий ретурн предсказывается на 100% по Колмогорову. А вот критерий оценки периодичности АКФ я не знаю. Не "на глаз" же ее смотреть, в самом деле...
Теплее.
Расширим набор НЕ совсем обычных предикторов для моделей предсказания.
Отсюда
Meta-learning how to forecast time series
Thiyanga S Talagala, Rob J Hyndman and George Athanasopoulos
Там только божественный гуру и пару его падаванов добавляют народ, киньте мне в личку Ваш скайп и данные о себе, я спрошу, но ничего не обещаю ибо я там не авторитет, лишь дух бесплотный, грязь на тапочках. Это серые кардиналы, кукл и компания, кого заметят за околорыночной деятельностью, клеймят позором пожизненно, смыть позор можно только за десятки миллиардов зелени.
Спасибо, интересует не сколько членство, которое как я понял сопряжено со значительными трудностями, а взглянуть на уровень, который вероятно не менее значителен.
Вы писали что в этой группе рассматривается унифицированное представление моделей МО, вот эти модели и хотелось бы посмотреть.
Для сравнения готов так же показывать свои, скромные наработки, я обученные модели сериализирую в бинарный или текстовый формат и в виде исходного кода.
Теплее.
Расширим набор НЕ совсем обычных предикторов для моделей предсказания.
Отсюда
Meta-learning how to forecast time series
Thiyanga S Talagala, Rob J Hyndman and George Athanasopoulos
Хорошая обзорная статья. Только, на мой взгляд, множество рассматриваемых временных рядов слишком широко для нас. Хотелось бы посмотреть подобный обзор методов, но для интересного нам типа рядов.
Так же хотелось бы посмотреть на какие-то новые методы и модели. Есть например аномальная диффузия (более популярно).
Хорошая обзорная статья. Только, на мой взгляд, множество рассматриваемых временных рядов слишком широко для нас. Хотелось бы посмотреть подобный обзор методов, но для интересного нам типа рядов.
Так же хотелось бы посмотреть на какие-то новые методы и модели. Есть например аномальная диффузия (более популярно).
Привел ссылку из-за таблицы: свежий взгляд на предикторы и как развитие мысли Александра про АКФ.
Привел ссылку из-за таблицы: свежий взгляд на предикторы и как развитие мысли Александра про АКФ.
По хорошему, чем мучить себя и нас моделями 70-летней давности, изучил бы он лучше эту самую аномальную диффузию и её приложение к рынку. Это было бы полезным применением его огромного энтузиазма и физического образования.
Параметр ZZ для каждого инструмента и таймфрейма свой. Например для EURUSD M15 хороший начальное значение 15 пунктов(4 знака). Зависит также от предикторов которые Вы используете. По хорошему нужно оптимизировать совместно параметры предикторов и параметр ZZ. Поэтому желательно иметь непараметрические предикторы, значительно упрощается жизнь. В этом качестве цифровые фильтры показывают хорошие результаты. С использованием ансамблей и каскадного объединения я получил усредненную Accuracy = 0.83. Это очень неплохой результат. Завтра отправлю на проверку статью в которой расписан процесс.
Удачи
А как узнаете настройки ZZ, чисто пробуя разные модели, и та, что дает лучший результат с этими настройками, та и лучше?
Почему предпочитаете пункты для ЗЗ, а не время(бары)?
А как узнаете настройки ZZ, чисто пробуя разные модели, и та, что дает лучший результат с этими настройками, та и лучше?
Почему предпочитаете пункты для ЗЗ, а не время(бары)?
1. Существуют различные методы оптимизации
2. Из опыта.
Удачи
Вчера пришла в голову мысль, а почему ищут деревья решений, т.е. модель описывающую сущность? Т.е. зачем нам описывать всю сущность вообще, может надо просто искать те куски этой сущности, которые наиболее понятны и предсказуемы? Это я думал в том ключе, что раз я коллекционирую листья от деревьев, то быть может мне и надо именно использовать метод для поиска таких листьев без построения полного дерева решений, что должно, по моему пониманию, дать прирост качества за одно и то же потраченное вычислительное время.
Сунулся я в интернет и не вижу нигде подобного метода. Может кто знает, о таких наработках?
Пока придумываю алгоритм, думаю, что первым делом надо выделить предикторы, в которых выделяется предсказательная способность одного из классов, при этом предикторы видимо надо сделать бинарными (для этого придется формировать свою выборку под каждый предиктор или составлять диапазоны исключения из общей выборки (что более рационально?)). Потом уже использовать отобранные предикторы (и их комбинации) для построения пеньков под конкретный класс (в моем случае 3 класса), а уже на эти пеньки наращивать оставшиеся предикторы. При этом можно их так же проверять на предпочтение определенного класса. Тогда, по идеи, мы найдем области наиболее поддающиеся классификации под конкретные целевые. А оставшаяся область - это будет просто поле бездействия/ожидания.
Конечно, можно потом посмотреть где листья наслоились друг на друга и сделать в этих случаях усредненный результат. Да и подобие дерева можно таким образом построить потом, но уже с элементами голосования из-за плотности в разных областях разных целевых.
Что думаете об этой идеи?
1. Существуют различные методы оптимизации
2. Из опыта.
Удачи
1. Вот и хотелось бы узнать об этих методах. А то я опять изобретаю свой велосипед (уже набросал идеологию), а вдруг все уже сделано до нас...
2. Понятно. Но необоснованно.
Владимир! Не подскажите есть ли какие то методы "future selection" (или что то типа) но применительно к ВР ? Те чтобы алгоритм анализировал ВР что то может выкидывал или добавлял чтобы прогноз стал лучше, гугл мне не помог(