Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2566
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
https://www.mql5.com/ru/forum/375928/page2
wenn 0 ≤ H < 0,5 - die Preise sind Fraktale, die Gültigkeit der FMH wird bestätigt, es gibt "dicke Schwänze" in der Verteilung der Variablen, antipersistente Reihen, d. h. negative Korrelation bei den Preisänderungen, rosa Rauschen mit häufigen Richtungswechseln der Preise;Woronzow ist wahrscheinlich der beste Verteidigungsexperte Russlands. Der Kurs ist also bestimmt gut, aber weil er sich an IT-Leute richtet, lässt er grundlegende und wichtige Mathematik für uns aus. Ich habe oft festgestellt, dass für die Anwendung von mathematischen Methoden im Handel nur wenige in ihrer grundlegenden, vereinfachten Form geeignet sind.
MO basiert (siehe z.B. Tibshirani) auf der Annahme, dass es eine konstante gemeinsame Verteilung von Prädiktoren und Antworten P(X,Y) gibt. Daraus lässt sich die bedingte Wahrscheinlichkeit Py(Y|X) berechnen, aus der sich die Regression Y=f(X) errechnen lässt. Letztendlich wird diese Regression durch einige MO-Modelle angenähert. In der physischen Welt funktioniert diese Theorie mehr oder weniger. Aber nicht im Handel. Es stellt sich heraus, dass sich P(X,Y) unvorhersehbar mit der Zeit ändert (Nicht-Stationarität) und die ganze Theorie ein wenig in sich zusammenfällt.
Der häufigste Ansatz besteht darin, die Nicht-Stationarität einfach zu ignorieren und sich dann über die Ergebnisse zu wundern und sich über die MO zu beschweren.)
Es ist wichtig, genau zu verstehen: "Nicht-Stationarität" von was? und nicht auf die Nicht-Stationarität der Zeitreihe selbst zu schließen. Die Nicht-Stationarität des Quotienten selbst können Sie wahrscheinlich ignorieren.
Der Eckpfeiler ist die bedingte Wahrscheinlichkeit Py(Y|X).
Anstelle der bedingten Wahrscheinlichkeit ist es sinnvoller, die "Vorhersagekraft" des Prädiktors in Bezug auf einen bestimmten Lehrer zu verwenden.
Ich habe ein Maß für eine solche Vorhersagefähigkeit eingeführt und ein Fenster auf BP laufen lassen, indem ich Statistiken von 2000 Beispielen eingegeben habe. Ich möchte ausdrücklich darauf hinweisen, dass von Modellen überhaupt nicht die Rede ist. Suche nach einem Prädiktor-Lehrer-Paar.
Hier ist ein Teil der Ergebnisse: die Spalte ist ein einzelner Prädiktor, die zusammenfassenden Zeilen sind angegeben: mittlere Vorhersagekraft, Standardabweichung und % zur Vereinfachung.
Wir sehen, dass es unter den Prädiktoren einen Prädiktor mit einem sd/mean-Verhältnis von etwa 10 % gibt. Aber bemerkenswerterweise habe ich KEINE Prädiktoren gefunden, bei denen dieser Prozentsatz über 100 % liegt.
Die Herausforderung bei der Entwicklung besteht also darin, eine Reihe von Prädiktoren für eine bestimmte Lehrkraft zu finden, die auf ein Verhältnis von sd/Mittelwert von 10 % oder vorzugsweise 5 % begrenzt sind , was vernachlässigt werden kann. Die Stabilität der Vorhersagbarkeit ist der Eckpfeiler eines Handelssystems.
googeln Sie den Satz wortwörtlich
"
Es stellt sich heraus, dass der beste Prädiktor für den zukünftigen Wert des Niveaus der Reihe ihr aktueller Wert ist"
Es ist wichtig, genau zu verstehen: "Nicht-Stationarität" von was? und nicht gleich auf die Nicht-Stationarität der Zeitreihe selbst zu schließen. Die Nicht-Stationarität des Quotienten selbst können Sie wahrscheinlich ignorieren.
Der Eckpfeiler ist die bedingte Wahrscheinlichkeit Py(Y|X).
Anstelle der bedingten Wahrscheinlichkeit ist es sinnvoller, die "Vorhersagekraft" des Prädiktors in Bezug auf einen bestimmten Lehrer zu verwenden.
Ich habe ein Maß für eine solche Vorhersagekraft eingeführt und ein Fenster auf BP laufen lassen, indem ich Statistiken von 2000 Beispielen eingegeben habe. Ich möchte ausdrücklich darauf hinweisen, dass von Modellen überhaupt nicht die Rede ist. Suche nach einem Prädiktor-Lehrer-Paar.
Hier ist ein Teil der Ergebnisse: die Spalte ist ein einzelner Prädiktor, die zusammenfassenden Zeilen sind angegeben: mittlere Vorhersagekraft, Standardabweichung und % zur Vereinfachung.
Wir sehen, dass es unter den Prädiktoren einen Prädiktor mit einem sd/mean-Verhältnis von etwa 10 % gibt. Aber bemerkenswerterweise habe ich KEINE Prädiktoren gefunden, bei denen dieser Prozentsatz über 100 % liegt.
Die Herausforderung für das Design besteht also darin, eine Reihe von Prädiktoren für eine bestimmte Lehrkraft zu finden, die auf ein Verhältnis von sd/Mittelwert von 10 % oder vorzugsweise 5 % begrenzt sind , was vernachlässigt werden kann. Die Stabilität der Vorhersagefähigkeit ist der Eckpfeiler eines Handelssystems.
Es ist wichtig, genau zu verstehen: "Nicht-Stationarität" von was? und nicht gleich auf die Nicht-Stationarität der Zeitreihe selbst zu schließen. Die Nicht-Stationarität des Quotienten selbst können Sie wahrscheinlich ignorieren.
Der Eckpfeiler ist die bedingte Wahrscheinlichkeit Py(Y|X).
Anstelle der bedingten Wahrscheinlichkeit ist es sinnvoller, die "Vorhersagekraft" des Prädiktors in Bezug auf einen bestimmten Lehrer zu verwenden.
Ich habe ein Maß für eine solche Vorhersagefähigkeit eingeführt und ein Fenster auf BP laufen lassen, indem ich Statistiken von 2000 Beispielen eingegeben habe. Ich möchte ausdrücklich darauf hinweisen, dass von Modellen überhaupt nicht die Rede ist. Suche nach einem Prädiktor-Lehrer-Paar.
Hier ist ein Teil der Ergebnisse: die Spalte ist ein einzelner Prädiktor, die zusammenfassenden Zeilen sind angegeben: mittlere Vorhersagekraft, Standardabweichung und % zur Vereinfachung.
Wir sehen, dass es unter den Prädiktoren einen Prädiktor mit einem sd/mean-Verhältnis von etwa 10 % gibt. Aber bemerkenswerterweise habe ich KEINE Prädiktoren gefunden, bei denen dieser Prozentsatz über 100 % liegt.
Die Herausforderung für das Design besteht also darin, eine Reihe von Prädiktoren für eine bestimmte Lehrkraft zu finden, die auf ein Verhältnis von sd/Mittelwert von 10 % oder vorzugsweise 5 % begrenzt sind , was vernachlässigt werden kann. Die Stabilität der Prognosen ist der Grundstein für ein Handelssystem.
Ohne stationäre Reihen sind statistische Berechnungen wie die Ihre möglicherweise bedeutungslos - die Stichprobenwerte konvergieren möglicherweise nicht zu den wahren Werten. Es ist zum Beispiel nicht schwer, sich ein Beispiel vorzustellen, bei dem die Stichprobenkorrelation benachbarter Inkremente ungleich Null ist, die tatsächliche Korrelation jedoch Null ist.
PS.
Stationarität wird "im engeren Sinne" verstanden - zeitunabhängige gemeinsame Verteilungen.
Die Stationarität kann unvollständig sein - z. B. kann sie sich nur auf gemeinsame Verteilungen von Inkrementen beziehen (Prozesse mit stationären Inkrementen).
Es ist natürlich richtig, von der Stationarität einer Steigung zu sprechen und nicht von einer Reihe, die nur eine der Realisierungen eines bestimmten Prozesses ist. Aber wir sind nicht bei einer Prüfung, also spielt das keine Rolle).
Stationarität wird häufig als eine Variante "im weiteren Sinne" verstanden. Sie erinnern sich nur an die Konstanz von Mittelwert und Varianz und vergessen die Bedingung für den ACF. In jedem Fall ist eine solche Stationarität bei MO nicht ausreichend (bei linearen Modellen ist sie ausreichend).
Es ist einfach ein Element der Kunst des Handwerkers in MO, diese Verbindungen zu finden. Ich mache etwas Ähnliches auf der Grundlage meiner Erfahrungen. Oft suchen sie nach Abhängigkeiten durch Cross-Entropie, was sehr ressourcenintensiv ist. Ist es für Sie schneller?
Etwa eine Sekunde pro Prädiktor (XEON-1620).
Ohne die Stationarität der Reihen sind statistische Berechnungen wie die Ihrige möglicherweise sinnlos - es gibt keine Konvergenz der Stichprobenwerte mit den wahren Werten. So ist es nicht schwer, sich ein Beispiel vorzustellen, bei dem die Stichprobenkorrelation benachbarter Inkremente ungleich Null ist, die tatsächliche Korrelation jedoch Null beträgt.
PS.
Stationarität wird "im engeren Sinne" verstanden - zeitunabhängige gemeinsame Verteilungen.
Die Stationarität kann unvollständig sein - z. B. kann sie sich nur auf gemeinsame Verteilungen von Inkrementen beziehen (Prozesse mit stationären Inkrementen).
Es ist natürlich richtig, von der Stationarität einer Steigung zu sprechen und nicht von einer Reihe, die nur eine der Realisierungen eines bestimmten Prozesses ist. Aber wir sind nicht bei einer Prüfung, also spielt das keine Rolle).
Stationarität wird häufig als eine Variante "im weiteren Sinne" verstanden. Sie erinnern sich nur an die Konstanz von Mittelwert und Varianz und vergessen die Bedingung für den ACF. In jedem Fall ist eine solche Stationarität bei MO nicht ausreichend (bei linearen Modellen ist sie ausreichend).
Der Quotient selbst interessiert mich nicht. Ich interessiere mich für die Fähigkeit des Prädiktors, den Lehrer vorherzusagen. Meiner Meinung nach besteht der größte Fehler der meisten Händler darin, dass sie versuchen, den Kotir selbst zu lösen. Und wir brauchen die Vorhersage des Lehrers. Dies ist ein völlig anderes Problem.
Ich interessiere mich nicht für das Kinderzimmer selbst. Ich interessiere mich für die Fähigkeit des Prädiktors, den Lehrer vorherzusagen. Meiner Meinung nach besteht der größte Fehler der meisten Händler darin, dass sie versuchen, die Probleme des Kotirs selbst zu lösen. Und wir brauchen die Vorhersage des Lehrers. Dies ist ein völlig anderes Problem.
Was ist diese "Vorhersage des Lehrers"?