Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 836
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
Для трейдера это компетишн, который модельки свои обучает и им подсовывает, повезло - хорошо, не повезло - ниче не потерял
У тебя неправильные ассоциации. Если твою модель не приняли из-за оверфита или недообученности - это значит что скилл надо улучшать. Везение там не при чём.
У тебя неправильные ассоциации. Если твою модель не приняли из-за оверфита или недообученности - это значит что скилл надо улучшать. Везение там не при чём.
а модели на сколько рассчитываются по времени? если у них постоянно идут конкурсы, значит краткосрочно?
и сколько фонд на этом зарабатывает в %.
Новый тур каждую неделю. За неделю нужно обучить модель и отправить им предсказания. Но форвард оценку твоей модели узнаешь только спустя ещё три недели, твои прогнозы будут сравниваться с реальными за эти 3 недели.
Я думаю себе они оставляют не менее 90%
:)) я вашу тему начну перечитывать после того, как доизучаю РЛ
и вот если предположить что ваши предикторы окажутся получше моих, то будет чудненько
Максим, в прикрепленном файле - ВР для AUDCAD полученный при экспоненциальных интервалах считывания тиков (точнее - дискретное геометрическое распределение при n=0.5).
Столбец А - Bid
Столбец Б - Ask
Столбец С - Интенсивность в скользящем окне = 10.000
Столбец Д - метка времени.
Там где метка времени =0, значит это искусственный псевдотик.
Т.е. внутри этого псевдоряда "сидит"еще реальный ВР.
Можешь выделить реальный ВР из исходного и подсунуть в нейросеть 2 ВР ретурнов? Один - исходный (псево+реал), второй - только реал.
Интересно.
При работе с исходным ВР (псевдо+реал) надо понимать, что ты работаешь с простейшим потоком без памяти
Шаг 2. В этом исходном ВР надо взять только каждую 2-ю котировку. Получишь поток Эрланга 2-го порядка с последействием. Проверить.
Шаг 3. В этом исходном ВР надо взять только каждую 3-ю котировку. Получишь поток Эрланга 3-го порядка с последействием. Проверить.
и т.д.
Если получишь что-то невероятное - с тебя сигнал.
Максим, в прикрепленном файле - ВР для AUDCAD полученный при экспоненциальных интервалах считывания тиков (точнее - дискретное геометрическое распределение при n=0.5).
Столбец А - Bid
Столбец Б - Ask
Столбец С - Интенсивность в скользящем окне = 10.000
Столбец Д - метка времени.
Там где метка времени =0, значит это искусственный псевдотик.
Т.е. внутри этого псевдоряда "сидит"еще реальный ВР.
Можешь выделить реальный ВР из исходного и подсунуть в нейросеть 2 ВР ретурнов. Один - исходный (псево+реал), второй - только реал.
Интересно.
попробую завтра уже запихать в нс )
попробую завтра уже запихать в нс )
Я там еще алгоритм проверки дописал. Только поаккуратнее, плиз.
Я там еще алгоритм проверки дописал. Только поаккуратнее, плиз.
да, вижу, с тиками посложнее будет, но ченить наворочу по аккуратному )
эти ваши ряды надо загнать в кастомные символы МТ5, получатся отдельные готовые символы.. если получатся
да, вижу, с тиками посложнее будет, но ченить наворочу по аккуратному )
эти ваши ряды надо загнать в кастомные символы МТ5, получатся отдельные готовые символы.. если получатся
Ну, можно наоборот - сначала выделить поток Эрланга 100-го порядка и двигаться вниз к простейшему :))
К вопросу предсказания волатильности. Допустим, предсказать волатильность намного проще чем саму котировку
И есть даже всякие модели типа https://en.wikipedia.org/wiki/Markov_switching_multifractal
что это дает, как правильно заюзить, кто-нибдь занимался?
К вопросу предсказания волатильности. Допустим, предсказать волатильность намного проще чем саму котировку
И есть даже всякие модели типа https://en.wikipedia.org/wiki/Markov_switching_multifractal
что это дает, как правильно заюзить, кто-нибдь занимался?
GARCH называется, в отличии от машинного обучения, мэйнстрим на финансовых рынка (наряду с коинтеграцией и портфелями).
Модели учитывают кучу статистических нюансов приращений, включая толстые хвосты и долговременную память а ля Херст (long memory).
Например, есть публикация о выборе параметров моделей GARCH на ВСЕХ акциях, входящих в индекс S&P500!
Полно публикаций по применению на форексе. Прекрасно развит инструментарий. Например, пакет rugarch.
Так что, покидаем хутор, выбираемся на магистраль и под марш "Прощание славянки" вперед!