交易中的机器学习：理论、模型、实践和算法交易 - 页 2527

新评论
 
mytarmailS#:

这就更有意思了

也许我们应该放弃市场是一个时间序列的概念，最终在市场分析方面取得突破...

一个不干扰另一个。现代金融数学与连续和离散时间序列方法相当兼容。我看到的问题是，公开发表的这门科学的具体应用并没有很好地满足我们交易员的需要。

 
JeeyCi#:

不要扭曲：想和我争论，你还是在说你自己的......只有关于时间序列...(而且还涉及到很多取样技术)...

价格的长期性不是时间的函数，我已经不止一次提出我的观点（我不会重复）......我向你展示了在DL中可以得到自相关的地方......以及对X和Y使用什么，以及用于建立什么依赖关系的模型--我也写了10次了--这是由开发者决定的......

我不是你的模型的开发者--我不需要证明价格随时间变化的行为......。(也许我不应该在DL上乱写乱画--这里的每个人都在思考着什么，并反驳它或向别人证明什么--从每一个学科中抽取一个字）...做MO的工程师（这里没有）仍然会理解自动相关辩论的狭隘性（为了书呆子的谈话），无论是在趋势还是在ticks方面，如果模型建立在一个更广泛的方面和更广泛的学习集的地平线上，而不是你的跳蚤（自动相关）可以出来的地平线......这就是深度学习的意义所在（说明一切）。


是的，我通过自己的经验扭曲了这些话。如果我冒犯了，请原谅。

 
Aleksey Nikolayev#:

不同的是，在第一种情况下，ACF考虑了所有可能的时间时刻对，而在第二种情况下，其中一个时间时刻是固定的t2=n，许多时间时刻对（ 例如，一对t1=1，t2=2）被排除在考虑之外。一般来说，ACF是两个参数的函数。只有静止过程的ACF可以被视为一个参数t=t1-t2（滞后）的函数。

样本ACF总是从一个过程的特定数字样本（实现）计算出来的，并且总是变成一个参数（滞后值）的函数。这就是为什么一个SB实施的样本ACF不是对其ACF的估计的主要原因）。

你不认为通过计算一对时间时刻t1和t2的ACF（为了确定，让t1<t2），我们实际上是在计算样本长度n=t2和滞后t2-t1 的样本ACF。对于时间为t2的观察者，时间序列由长度为t2的样本表示。观察者不知道时间t2之后会发生什么。

 

为了不至于完全没有证据，以下是我对真实市场自相关的观察。

最后50个元素的每个值的观察窗口，分别偏移1、3、6个元素。

皮尔逊系数结果从-1到1。

在这个分析的第一个屏幕上，例如，我们可以说，在一个蜡烛的规模上，有一个稳定的负自相关（一个正值之后是一个负值，反之亦然）。

在3个蜡烛图的规模上，它是相同的，但在观察点上不太稳定，在6个蜡烛图的规模上，有一个小趋势。

而第二张则完全不同（注意数字）。

但这是一个时间序列，由于某些原因，这里的每个人都不喜欢，总的来说，我知道我很愚蠢，什么都不懂。我不想用这张截图冒犯或教训任何人。我不鼓励你在这种计算的基础上进行预测。

附加的文件：
situiation1.jpg  117 kb
situation2.jpg  108 kb
 
博士#:

你不认为通过计算一对时间时刻t1和t2的ACF（为了确定，让t1<t2），我们实际上是在计算样本长度n=t2和滞后t2-t1 的样本ACF。对于时间为t2的观察者，时间序列由长度为t2的样本表示。观察者不知道时间t2之后会发生什么。

然而，在时间t3，t3>t2的观察者很可能对t1和t2时刻之间的关联性感兴趣。而你的公式ACF(t)=sqrt((n-t)/n) 并不能让他计算出来（只要用t3代替n）。

如果序列是静止的，ACF（t1，t2）=ACF（t2-（t2-t1），t2）=ACF（t3-（t2-t1），t3），但一般来说，第二个等式不成立。你可以说，这里的非平稳性是存在着对你的观察者所处的时间点的依赖性（时间不均匀性）。

 

你怎么能让一个合作社，但仍然以你自己的利益为重？从理论上讲，最终（和潜在的共同）目标是创建一个有利可图的系统。另外，每个人都可以用一个数据工作。这里是 一些仪器的数据，大约4个月的时间。众所周知，在这个数据上可以得到预期报酬率>7（佣金是4.4，5位数）。该系统应该给出前1.5年的利润，但关于这一点，以后再说。

 
Aleksey Nikolayev#:

然而，一个在时间t3，t3>t2的观察者很可能对时间t1和t2之间的相关性感兴趣。你的公式ACF(t)=sqrt((n-t)/n) 并不能 让他计算出来（只要用t3代替n）。

如果序列是静止的，ACF（t1，t2）=ACF（t2-（t2-t1），t2）=ACF（t3-（t2-t1），t3），但一般来说，第二个等式不成立。你可以说，这里的非平稳性是指对你的观察者所处的时间点的依赖性的存在（时间不均匀性）。

但当然不会。它是这样的!一个考古学家在时间t3，t3>t2 的情况下，可能会挖掘出长度为t2 的SB的古老记录（例如，在一个有3000年历史的羊角瓶上）。并将，例如，想计算时刻t1和t2之间的相关性。而用我的公式就可以了：ACF(t)=sqrt((n-t)/n)，其中n=t2，t=t2-t1。 正是因为，事实上，当样本长度为n=t2，滞后t2-t1时，它将计算样本ACF。感觉到时间时刻t3是由你人为地引入 的。

 
医生#:

但它并没有。它是这样的!一个考古学家在时间t3，t3>t2 时可以挖掘出长度为t2 的SB的古代记录（例如在一个有3000年历史的羊皮箱上）。并将，例如，想计算时刻t1和t2之间的相关性。而用我的公式就可以了：ACF(t)=sqrt((n-t)/n)，其中n=t2，t=t2-t1。 正是因为，事实上，当样本长度为n=t2，滞后t2-t1时，它将计算样本ACF。你觉得时间时刻t3是由你人为引入 的。

从本质上讲，你来到了同样的双参数函数，但对其计算的算法进行了高度艺术化的描述)

t3时刻是很自然的，你仍然需要t4时刻，t4>t3，对于t3时刻的预测是建立的)

 
Aleksey Nikolayev#:

本质上，你来到了同样的双参数函数，但对其计算算法进行了高度艺术化的描述)

t3时刻是很自然的，你仍然需要t4时刻，t4>t3，对于t3时刻的预测是建立的)

我提议从以下立场考虑ACF SB的现象。对于一般的SB群体（无限长的样本），ACF = const = 1。对于一个有限长度的样本n，我们可以得到一个ACF 的估计值，其典型误差为1/sqrt(n)。正是这种顺序的误差，给出了ACF(t)=sqrt((n-t)/n)=sqrt(1-t/n) 的估计。

 
医生#:

我提议从以下立场考虑SB的ACF现象。对于一般的SB人群（无限长的样本），ACF = const = 1。对于一个有限长度的样本n，我们可以得到一个ACF 的估计值，其典型误差为1/sqrt(n)。正是这种顺序的误差，给出了ACF(t)=sqrt((n-t)/n)=sqrt(1-t/n) 的估计。

这将不再是一个SB，而是一个具有实现-常量的过程)

我提出一个反建议，在Kolmogorov和Wiener从坟墓里爬出来用棍子打我们之前，结束我们的精彩讨论)

1...252025212522252325242525252625272528252925302531253225332534...3399
新评论