Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3638

Новый комментарий
Maxim Dmitrievsky #:

Да, но она рассматривается как нелинейный тренд :) а ряды с трендом нестационарны.

Верно, наличие тренда свидетельство нестационарности. Но наша функция ограничена на единичном отрезке и никакого тренда в ней нет.
Если в ряд с сезонностью добавить тренд то ряд будет нестационарным , но не за счёт сезонности, а за счёт тренда. 

Что вы тут обсуждаете?

Стационарность, нестационарность ... это все про случайные процессы.

А Дик в очередной раз просто троллит.

Вот его цитата из его первоначального поста:

Так вот, смысл правильного обучения - найти правильную формулу процесса, а не его тень, тогда будет неважно, стационарный процесс или нет. Так что же было не так в примере с W1, W2, W3? - или наоборот, так, но где лежит золотой ключик к обучению нейросетей?


В очередной раз протаскивается сто раз обсуждаемое: сигнал + шум.

И это троллинг, так как минимум 10 лет как уж все согласились, что на финансовых рынках НЕТ сигнала от слова совсем.

А ветку опять ввели в блуд. 

[Удален]
Evgeniy Chernish #:
Верно, наличие тренда свидетельство нестационарности. Но наша функция ограничена на единичном отрезке и никакого тренда в ней нет.
Если в ряд с сезонностью добавить тренд то ряд будет нестационарным , но не за счёт сезонности, а за счёт тренда. 

Ф-я же определена от - до + бесконенчости, если взять больше отсчетов, то в кач-ве нелинейного тренда в ней синусойда

Мы сейчас чисто про временной ряд говорим. Вычитаем синусойду, тогда получаем стационарный ряд.
Maxim Dmitrievsky #:

Ф-я же определена от - до + бесконенчости, если взять больше отсчетов, то в кач-ве нелинейного тренда в ней синусойда

Мы сейчас чисто про временной ряд говорим. Вычитаем синусойду, тогда получаем стационарный ряд.
Определена на -+бесконечности, но отображает в единичный отрезок. Все что я говорил это про выборку из этой функции с шагом дискретизации = 1. 
Для меня выборка этой функции есть стационарный процесс без всякого преобразования. 
Ребята спорят о том, чего не могут доказать. 

"Мы тут 10 лет назад решили всем коллективом, что сигнала в ценах - нет". 

 

Постулаты постулатами, но вы бы начали с элементарного: чем график цены отличается от абсолютно рандомного графика с бесконечной величиной с одной стороны (+ бесконечность). 

Какие есть технические ограничения у ценообразования, порождающие змеевидный/канальный ход цены во времени (1-2-3-10 пункта среднего отклонения от последней цены 99% времени), и порождает ли это закономерности.

Что это даёт на макроуровне, почему геометрия вдруг работает (ВОлны Вульфа), почему у флетовых систем при оптимизации в тестере стратегий больше сетов и они лучше переобучаются. Причина этих явлений, причина причин и так далее. 

Может быть где-то в этих областях подключать ИИ, МО, НС, ЛЛМ и тд. 


А вы всё про сигнал/шум в НЕфизической среде, и первые 10 значений RSI пихаете на вход и думаете, что его "стационарность" вывезет модель с опасением "а не слишком много входов, вдруг переобучится. 
[Удален]
Evgeniy Chernish #:
Определена на -+бесконечности, но отображает в единичный отрезок. Все что я говорил это про выборку из этой функции с шагом дискретизации = 1. 
Для меня выборка этой функции есть стационарный процесс без всякого преобразования.  


import numpy as np
from statsmodels.tsa.stattools import adfuller
import matplotlib.pyplot as plt

# Создаем данные
x = np.linspace(0, 10, 1000)
y = np.sin(x)/4 + np.cos(x**2)/4 + 1/2

# Выполняем тест на стационарность (тест Дики-Фуллера)
result = adfuller(y)

print('ADF Statistic:', result[0])
print('p-value:', result[1])
print('Critical values:')
for key, value in result[4].items():
    print('\t%s: %.3f' % (key, value))

# Визуализация ряда
plt.figure(figsize=(12,6))
plt.plot(x, y)
plt.title('Временной ряд')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()
Такое получается.

а так 

# you code here

import numpy as np
from statsmodels.tsa.stattools import adfuller
import matplotlib.pyplot as plt

# Создаем данные
x = np.linspace(0, 5000, 5000)
y = np.sin(x)/4 + np.cos(x**2)/4 + 1/2

# Выполняем тест на стационарность (тест Дики-Фуллера)
result = adfuller(y)

print('ADF Statistic:', result[0])
print('p-value:', result[1])
print('Critical values:')
for key, value in result[4].items():
    print('\t%s: %.3f' % (key, value))

# Визуализация ряда
plt.figure(figsize=(12,6))
plt.plot(x, y)
plt.title('Временной ряд')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()
#

Я же говорю, я брал функцию с шагом дискретизации равным 1


DF

[Удален]
Evgeniy Chernish #:

а так 

Я же говорю, я брал функцию с шагом дискретизации равным 1


Так да, потому что циклы фильтруются )

По поводу синуса  плюс шум. Это стационарный процесс с нулевым МО.

А в том примере что вы привели считают МО в конкретной точке процесса. Естественно что в точке t = 1 например  sin(t) = 0.841.... + шум с нулевым МО, вот мы и имеем мо в этой конкретной точке = 0,841 

Но мы то наблюдаем процесс в различные моменты времени t=1,2,3,4... и считаем мо по всей траектории процесса за этот период времени, а не в конкретной точке.

Интересно, кто автор учебника  ?

[Удален]
Evgeniy Chernish #:

По поводу синуса  плюс шум. Это стационарный процесс с нулевым МО.

А в том примере что вы привели считают МО в конкретной точке процесса. Естественно что в точке t = 1 например  sin(t) = 0.841.... + шум с нулевым МО, вот мы и имеем мо в этой конкретной точке = 0,841 

Но мы то наблюдаем процесс в различные моменты времени t=1,2,3,4... и считаем мо по всей траектории процесса за этот период времени, а не в конкретной точке.

Интересно, кто автор учебника  ?

Не знаю, какие-то люди.

1...363136323633363436353636363736383639364036413642364336443645...3746
Новый комментарий