Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2575

[mytarmailS]

Aleksey Nikolayev #:

Грубо говоря, для калмана делаются некие априорные предположения и если они верны в реальности, то калман будет гораздо лучше и наоборот.

По ходу нет.. Симулировал он данные просто для прикола получаеться..

Вот обучение моделей на реальных данных Y_

LS <- estimate_mu_gamma_LS(Y_)
rolling_LS <- estimate_mu_gamma_rolling_LS(Y_)
Kalman <- estimate_mu_gamma_Kalman(Y_)

потом получение спредов

spread_LS <- compute_spread(Y_, LS$gamma, LS$mu, "LS")
spread_rolling_LS <- compute_spread(Y_, rolling_LS$gamma, rolling_LS$mu, "rolling-LS")
spread_Kalman <- compute_spread(Y_, Kalman$gamma, Kalman$mu, "Kalman")

потом бектест

Те Калман не обучался на синтетических данных перед реальным бектестом

[Aleksey Nikolayev]

mytarmailS #:

По ходу нет.. Симулировал он данные просто для прикола получаеться..

Вот обучение моделей на реальных данных Y_

потом получение спредов

потом бектест

Те Калман не обучался на синтетических данных перед реальным бектестом

Априорные предположения - это во-первых линейная модель зашитая в пакет (описана в начале раздела про калмана) и во-вторых параметры инициализации этой модели берущиеся, вообще говоря, с потолка.

[Andrei Trukhanovich]

mytarmailS #:

Не Андрей , вторая  rollingLS очень плохо работает 

На самом деле нет. Если посмотрите предыдущие графики, то видно, что собственно "rolling" включается после прохождения ~ трети выборки. на реальных данных если есть история такой проблемы не будет.

Но таки калман наверное все равно лучше, но все еще считаю что расколупывать лучше от печки.

[[Удален]]

mytarmailS #:

Та да.. особенно если гуманитарий

Это не форест на ирисах обучать )

Ничерта с этим калманом не понятно((

МАшку (оно же Калман) на полученном спреде считают, сглаживая «шум», вестимо

[mytarmailS]

Maxim Dmitrievsky #:
МАшку (оно же Калман) на полученном спреде считают, сглаживая «шум», вестимо

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Калман не машка!

[[Удален]]

mytarmailS #:

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Такое мы уже с Реной и трактором "проходили", на примерах их предсказаний на 1 бар ))) чота ржу

в одном случае оно будет опережать, в другом запаздывать, итого 50/50

[mytarmailS]

Andrei Trukhanovich #:

На самом деле нет. Если посмотрите предыдущие графики, то видно, что собственно "rolling" включается после прохождения ~ трети выборки. на реальных данных если есть история такой проблемы не будет.

Но таки калман наверное все равно лучше, но все еще считаю что расколупывать лучше от печки.

Завтра сделаю на регресии скользящей, посмотрим как сливать будет))

[mytarmailS]

Maxim Dmitrievsky #:

Такое мы уже с Реной и трактором "проходили", на примерах их предсказаний на 1 бар ))) чота ржу

в одном случае оно будет опережать, в другом запаздывать, итого 50/50

Ты бы хоть изучил елементарное...

Адаптивное сглаживание в априори не может быть хуже обычного

[[Удален]]

mytarmailS #:
Ты бы хоть изучил елементарное...

Адаптивное сглаживание в априори не может быть хуже обычного

действительно, только рекуррентные сетки предсказывают всегда прошлый бар, как их не крути (более продвинутый случай Калмана)

ты бы хоть научился сначала вникать в информацию, а потом философствовать 

[[Удален]]

ЗЫ это я не к тому, что подходы плохие, а что не панацея

на коинтегрированных рядах можно придумать 1001 способ торговли, те же нейронки будут не хуже

на Форексе это индексы некоторые, там выхлоп небольшой, как-то делал