Огромное количество данных в data mining вообще и в финансах в частности приходит к нам в виде временных рядов. Это не удивительно, ведь очень часто нас интересуют какие-то события или показатели изменяющиеся во времени. При этом, огромный пласт классической математики веками создавался для работы с множествами чисел. В результате, одним из...
谢谢你,我也不知道该怎么办。
看到这个结果将是非常有趣的。
我以前也这样做过,我甚至在某个地方保留了代码。
1.给定的代码不足以做出决定。你需要阈值和浮动阈值。
2.你可以得到非常有利可图的系统,利润系数高达10。
BUT。
盈利系数小于5点。传播会计扼杀了所有的美。而除了传播,还有礼物
看到这个结果将是非常有趣的。
套利的话题在这里是偏离主题的,但如果你有兴趣,我可以给一个简单的答案...
我已经有了一个有效的套利方法,我想通过过滤信号的方式来改进它--在滑动窗口中,我们计算协整强度(两个BP的接近程度),只有当BP彼此强烈协整时,我们才开始套利。
这种过滤的结果是模糊的,我不能把它归为好的或坏的。
当使用第一种变体时,在测试期间,该系统平均每月产生7%的利润,回收系数为3。
过滤后,该系统平均每月5.7%,5.5PV
所以它的收入较少,但更稳定......
关于俄语中 "R "的有趣链接和例子。
与协整相关的差异
http://www.algorithmist.ru/2011/08/time-series-similarity-measures.html
http://www.algorithmist.ru/2011/09/time-series-test-for-cointegration.html
关于配对和套利
http://rforfinance.ru/pairs-trade/
http://rforfinance.ru/rolling-window/
套利的话题在这里是偏离主题的,但如果你有兴趣,我会简单地回答...
我已经有了一个有效的套利方法,我想通过过滤信号来改进它,输入的方式很棘手--在滑动窗口中,我们计算协整强度(两个BP的接近程度),只有当BP强烈协整时我们才开始套利。
这种过滤的结果是模糊的,我不能把它归为好的或坏的。
当使用第一种变体时,在测试期间,该系统平均每月产生7%的利润,回收系数为3。
过滤后,该系统平均每月5.7%,5.5PV
所以它的收入较少,但更稳定......
关于俄语中 "R "的有趣链接和例子。
与协整相关的差异
http://www.algorithmist.ru/2011/08/time-series-similarity-measures.html
http://www.algorithmist.ru/2011/09/time-series-test-for-cointegration.html
关于配对和套利
http://rforfinance.ru/pairs-trade/
http://rforfinance.ru/rolling-window/
谢谢你。第一个链接的描述很搞笑。两家公司来了。
:)
顺便说一下,佩雷文科先生在他关于神经网络的文章中没有说过这种类型的网络。好吧,我发现整篇文章中只有一处提到。而人们可以揭示出对时间序列的适用性问题(深思熟虑)。
阿列克谢
关于递归神经网络(RNN、CNN和LSTM),将有一篇(或两篇)单独的文章。使用mxnetR和可能的mxnet(Python)的例子。
顺便说一下,在CRAN资源库中有一个mxnet包。真正需要做一些体操来添加来自GitHub的优化器(RMSProp、Adam、AdaGrad和AdaDelta)。我现在正在测试这些功能。
祝好运
好的,读起来会很有趣。
CNN本身不是一个递归网络。
阅读这篇文章后,产生了一个问题。
为什么我们所有人,包括我在内,都坚持使用从单一货币对中得出的预测指标?有许多货币对,而非货币对则是一毛不拔的。
受我所读文章的影响,出现了一个问题。
为什么我们所有人,包括我在内,都坚持使用从单一货币对中得出的预测指标?有许多货币对,而非货币对则是一毛不拔。
对我来说,这一切都与风险有关--我试图至少承担一个小风险。你可以创建一个专家顾问,多年来在几十个货币对上成功地进行交易,但为了什么?每年的利润可能只有百分之几,你还不如把钱放在银行的无风险存款上。
如果你只拿一个货币对,并教模型在一年内很好地交易,你可能期望每月有10%的利润,这是更好的。
如果你只为2个月的数据教授模型--它可能会在一周内成功工作,但会在更短的时间内带来这些10%。
一个模型需要学习的数据集越窄(就时间和数据对的数量而言)--在新数据上就越有利可图。但它会更快地变得过时,不再有利润。因此,它的风险更大--一些新闻项目甚至可能打破整个模型,你将不得不重新寻找新的预测因素和模型参数。