트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 2520

새 코멘트
 
발레리 야스트렘스키

시간 제한은 기회를 줄입니다.

예, 하지만 100% 발동 확률로 3-5일의 기간 동안 패턴을 찾을 수 있습니다(확인했습니다).

Alexey Nikolaev # :

글쎄, 네, 작업의 절반이 해결되고 후반부가 남아 있습니다. 손절매를 어디에 둘 것인지.

TC가 아니라 아이디어일 뿐입니다.

 
Alexey Nikolaev # :

오, 누가 우리에게 왔는지) AKF SB를 계산하는 방법을 이미 알고 있습니까? smartlab과 달리 여기에서 이 질문에 대해 나를 차단할 수 없습니다.)

안녕 Alexey, 묻지 않고 질문에 대답해도 될까요? 나는 당신이 그에게 묻는 대로 많은 것을 읽었고, 그 해결책이 나에게 매우 간단해 보였기 때문에 그것을 참을 수 없었습니다.

임의의 값(1 또는 -1)에서 정규화된 일련의 숫자를 만들었습니다.

그리고 현재 포인트에 대한 모든 이전 값을 합산하여 고전적인 주식 차트입니다.


그런 다음 정규화된 계열의 경우 자기 상관은 0이 되는 경향이 있습니다.

그리고 일련의 주식형 차트의 경우 자기상관은 일치하는 경향이 있습니다.


그러나 일련의 100,000개 숫자와 함께 충분한 길이의 시리즈에서만 다음과 같은 결과를 얻었습니다.

0.0010599888334729966(정규화된 데이터)

0.9999708433220806(정규화되지 않음)

일련의 100개 숫자:

0.018773466833541926

0.9367627243658354

10개 중:

-0.49999999999999999(이 값은 새 시리즈마다 무작위로 변경됨)

-0.14285714285714285   (이 값은 새로운 시리즈마다 무작위로 변경됨)


이것은 특수한 경우일 뿐이지만 보시다시피 작은 계열 크기에서는 매우 넓은 임의 한계에 걸쳐 자기상관을 나타낼 수 있습니다.

그러나 이 자기상관은 자기상관이 없는 데이터를 생성하는 과정의 속성이 아니므로 이 경우 과정을 측정하고 평가하기 어렵다.

계산을 확인하려는 사람이 있으면 아래에 내 Python 코드를 첨부하겠습니다. 

import numpy as np
import random

def autocorr(x, t= 1 ):
     return np.corrcoef(np.array([x[:-t], x[t:]]))[ 0 ][ 1 ]

SB_numbers = []
for i in range ( 1 , 100000 ):
    r = random.randint( 0 , 1 )
     if r == 0 :
        r = - 1
    SB_numbers.append(r)
#print(SB_numbers)
    
SB_time_series = []
price = 0
for el in SB_numbers:
    price = price + el
    SB_time_series.append(price)
#print(SB_time_series)
    

    
print( 'numbers autocorr:' ,autocorr(SB_numbers, 1 ))
print( 'time_series autocorr::' ,autocorr(SB_time_series, 1 ))
 
레나트랩 # :

안녕 Alexey, 묻지 않고 질문에 대답해도 될까요? 나는 당신이 그에게 묻는 대로 많은 것을 읽었고, 그 해결책이 나에게 매우 간단해 보였기 때문에 그것을 참을 수 없었습니다.

임의의 값(1 또는 -1)에서 정규화된 일련의 숫자를 만들었습니다.

그리고 현재 포인트에 대한 모든 이전 값을 합산하여 고전적인 주식 차트입니다.


그런 다음 정규화된 계열의 경우 자기 상관은 0이 되는 경향이 있습니다.

그리고 일련의 주식형 차트의 경우 자기상관은 일치하는 경향이 있습니다.


그러나 일련의 100,000개 숫자와 함께 충분한 길이의 시리즈에서만 다음과 같은 결과를 얻었습니다.

0.0010599888334729966(정규화된 데이터)

0.9999708433220806(정규화되지 않음)

일련의 100개 숫자:

0.018773466833541926

0.9367627243658354

10개 중:

-0.49999999999999999(이 값은 새 시리즈마다 무작위로 변경됨)

-0.14285714285714285   (이 값은 새로운 시리즈마다 무작위로 변경됨)


이것은 특수한 경우일 뿐이지만 보시다시피 작은 계열 크기에서는 매우 넓은 임의 한계에 걸쳐 자기상관을 나타낼 수 있습니다.

그러나 이 자기상관은 자기상관이 없는 데이터를 생성하는 과정의 속성이 아니므로 이 경우 과정을 측정하고 평가하기 어렵다.

계산을 확인하려는 사람이 있으면 아래에 내 Python 코드를 첨부하겠습니다.

당신은 선택적 ACF 를 고려합니다. 질문은 AKF 입니다. 얼마 전 이 스레드에서 Valeriy Yastremskiy는 백색 잡음에 대한 ACF 공식과 고정 AR(1) 프로세스가 제공된 계량 경제학 매뉴얼에 대한 링크를 게시했습니다. 헷갈리지 않는다면 이 함수는 그리스 문자 감마로 표시됩니다. 문제는 SB에 대한 공식이 무엇인지입니다.

 
선택 거래를 할 때 공식이 필요한 이유는 무엇입니까?
 
비밀 번호 :
선택 거래를 할 때 공식이 필요한 이유는 무엇입니까?

우리는 가격을 거래합니다. 가격이 표본이라는 가정은 이미 추상화 및 이론화입니다.

 
Alexey Nikolaev # :

당신은 선택적 ACF 를 고려합니다. 질문은 AKF 입니다. 얼마 전 이 스레드에서 Valeriy Yastremskiy는 백색 잡음에 대한 ACF 공식과 고정 AR(1) 프로세스가 제공된 계량 경제학 매뉴얼에 대한 링크를 게시했습니다. 헷갈리지 않는다면 이 함수는 그리스 문자 감마로 표시됩니다. 문제는 SB에 대한 공식이 무엇인지입니다.

자기상관의 유무를 판단하는 기준이 되는 Pearson 상관계수를 고려합니다. 불행히도, 나는 당신이 정확히 무엇을 의미하는지 잘 이해하지 못합니다. 당신은 매우 짧은 기간의 "AFK" = 자기 상관 함수를 작성합니까? 왜 정확히 피어슨 계수가 당신에게 적합하지 않습니까? 제 생각에는 평가가 올바르게 이루어졌습니다. 

[ 1 , 1 , 1 , - 1 , - 1 , - 1 , 1 , - 1 , 1 , - 1 , 1 , 1 , - 1 , - 1 , 1 , - 1 , 1 , 1 , 1 ]
[ 1 , 2 , 3 , 2 , 1 , 0 , 1 , 0 , 1 , 0 , 1 , 2 , 1 , 0 , 1 , 0 , 1 , 2 , 3 ]
-----------
[ 19 - 2    1 - 4 - 1 - 4    3 - 4    5    0    3 - 2 - 1 - 4 - 1    0    3    2    1 ]
[ 42 28 19 12 12 10 15 14 14 12 13    8    8    6 11 14 14    8    3 ]

이것이 당신이 받고 싶은 것입니까?


거래, 자동 거래 시스템 및 거래 전략 테스트에 관한 포럼

거래에서의 머신 러닝: 이론, 실습, 거래 등

비밀 , 2021.12.14 19:26

선택 거래를 할 때 공식이 필요한 이유는 무엇입니까?
일반적으로 이것은 샘플이 아닙니다. 이것은 프로세스에 의해 생성된 일련의 데이터입니다. 즉, 프로세스가 10틱 동안 작동하면 완전히 완료되고 끊기지 않고 이 프로세스에 의해 처음부터 끝까지 완전히 형성된 10개 요소의 날짜 세트를 얻습니다.
 
레나트랩 # :

자기상관의 유무를 판단하는 기준이 되는 Pearson 상관계수를 고려합니다. 불행히도, 나는 당신이 정확히 무엇을 의미하는지 잘 이해하지 못합니다. 당신은 매우 짧은 기간의 "AFK" = 자기 상관 함수를 작성합니까? 왜 정확히 피어슨 계수가 당신에게 적합하지 않습니까? 제 생각에는 평가가 올바르게 이루어졌습니다.

이것이 당신이 받고 싶은 것입니까?

ACF를 선택적 평가로 바꾸려고 합니다. 기존 구현(샘플)에 따라 대략적으로 계산하는 방법이 아니라 ACF의 정의부터 시작합니다.

예시. Xi를 백색 잡음이라고 하자. 그러면 ACF = COV(Xj,Xk)/sqrt( COV(Xj,Xj) * COV(Xk,Xk) )는 두 인덱스 j와 k의 함수로, j==k이면 1이고 0이면 0입니다. j!=k.
 
Alexey Nikolaev # :

우리는 가격을 거래합니다. 가격이 표본이라는 가정은 이미 추상화 및 이론화입니다.

이론화는 공식에 의한 거래)
 
Alexey Nikolaev # :

ACF를 선택적 평가로 바꾸려고 합니다. 기존 구현(샘플)에 따라 대략적으로 계산하는 방법이 아니라 ACF의 정의부터 시작합니다.

내 발견을 다시 설명하겠습니다.

랜덤 워크 프로세스에 대한 AFK의 일반적인 추정을 위해서는 다음이 필요합니다.

- 가능한 가장 큰 표본을 취하십시오(제 경우에는 100,000,000).

- 정규화된 데이터 사용

결론: 피어슨 계수는 0이고 나머지는 모두 표본을 기반으로 한 프로세스 평가의 오류입니다.

즉, 랜덤 워크 프로세스에는 자기 상관이 없습니다.

0과 같습니다. ( 0.0010599888334729966 ), 여기서 0은 실제 자기상관이고 0.00105는 오류입니다.

 
비밀 번호 :
이론화는 공식에 의한 거래)

구구단도 공식입니다. 따라서 귀하의 진술은 다음과 같이 해석되어야 합니다. 귀하에게 친숙한 공식에 따른 거래는 실용성이고 익숙하지 않은 공식에 따른 거래 - 이론화)

1...251325142515251625172518251925202521252225232524252525262527...3399
새 코멘트
사유: