Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2638

Neuer Kommentar
 
Aleksey Nikolayev #:

Es ist besser, in Musterteilen zu zählen. Das gleiche Muster bricht (signifikant für die Arbeit) sind nicht mehr als ein paar hundert pro Jahr. Ich würde es eine Grenzzahl nennen. Wenn man versucht, kompliziertere Muster daraus zu machen - zum Beispiel in Paare von aufeinanderfolgenden Knoten, die brechen, die auch einige Bedingungen erfüllen - kann man Dutzende dieser Muster pro Jahr erhalten. Und das ist noch nicht genug.

Ja, ich stimme zu, dass die Daten nicht ausreichen, deshalb nehme ich die maximale Menge an Geschichte. Natürlich ist das Ergebnis umso sicherer, je mehr Beispiele es theoretisch gibt, aber es ist, wie es ist.

Aleksey Nikolayev #:

So etwas wie eine Schleife über alle möglichen Konstruktionen eines bestimmten Mustertyps? Ich habe einmal etwas Ähnliches gemacht, mit denselben Scheitelpunktauflösungen. Im Prinzip ist es möglich, sich etwas einfallen zu lassen, nur wird die Aufzählung (im allgemeinen Fall) nicht iterativ, sondern rekursiv sein. Auch hier wären die meisten Muster aufgrund ihrer Komplexität und Seltenheit bedeutungslos. Es ist wahrscheinlich einfacher, manuell eine Liste sinnvoller Muster zu erstellen und diese in einer regelmäßigen Schleife zu umgehen und das optimale Muster auszuwählen.

Ich brauche nur ein Werkzeug mit einer genauen Metrik, um den Trend/die Verteilung/die Art der Wellen im Laufe der Zeit zu bewerten, um einen Trend innerhalb dieser Wellen zu erkennen. Was sind das für Trends, zum Beispiel:

- Gab es nach einem Muster lange Zeit ein positives Ergebnis, so ist ein negatives Ergebnis wahrscheinlicher, wenn ein neues Muster auftaucht;

- Das Ergebnis ist gleichmäßig über alle Teile der Stichprobe verteilt (wie teilt man richtig in Teile ein?);

- Wenn es lange Zeit ein negatives Muster gab, ist es wahrscheinlicher, dass ein positives Ergebnis eintritt;

- Wenn es lange Zeit kein Muster gab, ist ein positives/negatives Ergebnis wahrscheinlicher, wenn es auftritt.

Im Grunde genommen etwa so. Es ist ein statistischer Schnitt, aber es sollte in Intervallen der Geschichte sein, und meine Frage ist der beste Weg, um diese Intervalle zu schneiden (messen Sie auf verschiedenen Intervallen, machen Sie eine Verschiebung), so dass die Schätzung wäre korrekt und ausgedrückt vorzugsweise durch einige verallgemeinerte Koeffizient.

 
Aleksey Vyazmikin #:

Ja, ich stimme zu, dass die Datenlage unzureichend ist, und deshalb nehme ich so viel Geschichte wie möglich auf. Natürlich ist das Ergebnis umso sicherer, je mehr Beispiele es gibt, theoretisch, aber was da ist, ist da.

Ich brauche nur ein Instrument mit einer genauen Metrik, um den Trend/die Verteilung/die Art der Wellen im Laufe der Zeit zu bewerten, um einen Trend innerhalb dieser Wellen zu erkennen. Was sind das für Trends, zum Beispiel:

- Wenn nach einem Muster lange Zeit ein positives Ergebnis erzielt wurde, ist ein negatives Ergebnis wahrscheinlicher, wenn ein neues Muster auftaucht;

- Das Ergebnis ist gleichmäßig über alle Teile der Stichprobe verteilt (wie teilt man richtig in Teile ein?);

- Wenn es lange Zeit ein negatives Muster gab, ist es wahrscheinlicher, dass ein positives Ergebnis eintritt;

- Wenn es lange Zeit kein Muster gab, ist ein positives/negatives Ergebnis wahrscheinlicher, wenn es auftritt.

Im Grunde genommen etwa so. Die Frage, die sich mir stellt, ist, wie diese Intervalle am besten geschnitten werden können (Messung in verschiedenen Intervallen, Verschiebung), um eine korrekte Schätzung vorzunehmen und vorzugsweise durch einen verallgemeinerten Koeffizienten auszudrücken.

Die einfachste Lösung ist eine Statistik, die in einer Reihe von Tests berechnet wird. Im Handel wird er in der Regel im Zusammenhang mit der Suche nach der Abhängigkeit eines Handelsergebnisses vom vorangegangenen genannt. Wenn eine Abhängigkeit/Serienhaftigkeit erkennbar ist, können Sie versuchen, ihre Struktur zu untersuchen. Hier ist es wahrscheinlich sinnvoll, Markov-Ketten zu betrachten und einige Funktionen ihrer Wahrscheinlichkeitsmatrizen als Metriken zu verwenden.

Für das Schneiden von Geschichtsintervallen verwende ich normalerweise einen großen Zickzackfaden. Es ist wahrscheinlich nicht optimal, aber es ist ziemlich einfach und relativ objektiv.

 
Aleksey Nikolayev #:

Das Einfachste, was man sich vorstellen kann, ist eine Statistik, die in einer Art Reihentest zählt. Im Handel wird sie in der Regel im Zusammenhang mit der Ermittlung der Abhängigkeit des Ergebnisses eines Geschäfts vom Ergebnis eines früheren Geschäfts genannt. Wenn eine Abhängigkeit/Serienhaftigkeit erkennbar ist, kann man versuchen, ihre Struktur zu untersuchen. Hier ist es wahrscheinlich sinnvoll, Markov-Ketten zu betrachten und beliebige Funktionen ihrer Wahrscheinlichkeitsmatrizen als Metriken zu verwenden.

In diesem Zusammenhang ein wenig mehr über Markov-Ketten.

Wenn wir nur von Serialität sprechen, können wir zwei Zustände + und - einführen, die die Qualität der Musterrealisierung bezeichnen. Es gibt also vier Möglichkeiten, von einem Muster zum nächsten zu gelangen: "+"->"-", "+"->"+", "-"->"+", "-"->"-". Die Übergänge entsprechen vier Wahrscheinlichkeiten (von denen nur zwei unabhängig sind), die die Wahrscheinlichkeitsmatrix dieser Kette bilden.

Wenn es um die Länge von Serien geht, müssen die Zustände komplizierter sein. Es kann sich beispielsweise um Paare (+,n) und(-,n) handeln, bei denen neben der Qualität der Musterrealisierung auch n - die Nummer des Musters in der Serie, die es enthält, eine Rolle spielt. Wir erhalten eine potenziell unendliche Anzahl von Zuständen, aber die möglichen Übergänge (mit einer Wahrscheinlichkeit ungleich Null) sind ebenfalls vier: (+,n)->(+,n+1), (+,n)->(-,1), (-,n)->(+,1), (-,n)->(- ,n+1). Es ergeben sich auch vier Wahrscheinlichkeiten (mit zwei unabhängigen). Der Unterschied besteht darin, dass nun die Abhängigkeit dieser Wahrscheinlichkeiten von der Serienlänge n erscheint (oder auch nicht). Wir können versuchen, diese Abhängigkeit durch einen Koeffizienten auszudrücken und ihn als die erforderliche Metrik zu verwenden.

 

Guten Tag! Shalom! Nairamdal!

Sie sind alle große Mathematiker, wie ich sehe.

Dann können wir es tun.

 
Warum befassen Sie sich nicht mit der Integrität des Marktes?
 
Saas'Eltern konnten ihm nie beibringen, nur an den dafür vorgesehenen Stellen zu kacken.
 
Alexander Ivanov #:
Warum studieren Sie nicht die Integrität des Marktes?
Warum studieren Sie nicht den Unterschied zwischen den Märkten? Warum studieren Sie nicht die Marktstreuung? Warum untersuchen Sie nicht die Marktspektralität? Warum tun Sie.......
Sprechen Sie Unsinn?
 
Was sagen wir eigentlich voraus?

Wir alle wissen, dass der Markt ein komplexer Prozess ist, komplex von dem Wort "komplex". Der Markt wird von vielen Teilnehmern mit unterschiedlichen Zielen, unterschiedlichen Taschengrößen, unterschiedlichen Trends...

Lassen Sie uns zum Beispiel einen einfachen Sinustrend konstruieren, dem der Preis(in unserem Modell) folgt, nennen wir ihn einen "Trend".

par(mar=c(2,2,2,2))
my.sin <- function(ve,a,f,p)    a*sin(f*ve+p)
trend <- my.sin(ve = 1:100,a = 1,f = 0.05,p = 1)+100
plot(trend,t="l")

Ein einfaches Preismodell, leicht zu verstehen und leicht vorherzusagen.

Stellen wir uns nun vor, dass ein starker Marktkäufer in "unseren Markt" eintritt und einige Zeit lang kräftig in "unseren Markt" investiert.

layout(1:2, heights = c(10,3))
plot(trend,t="l",lty=2) 
lines(trend+buy)
plot(buy,t="l",col=3,lwd=2)

wie Sie sehen können, ist unser schönes Modell ein bisschen kaputt...

Stellen wir uns nun vor, dass jemand bei einem Preis von sagen wir 99,2 ein großes Limit gesetzt und alles gekauft hat, was ihm angeboten wurde

buy_limit <- trend
for(i in seq_along(trend)) if(buy_limit[i]<=99.2)  buy_limit[i] <- 99.2
layout(1:1)
plot(trend,t="l")
lines(buy_limit+buy,lty=2)
segments(10,99.2,100,99.2,lty=2,col=3)

So erhalten wir eine solche Kurve des Preismodells, aber näher an der Realität

plot(trend,t="l",col=8,lty=2)
lines(buy_limit + buy ,t="l")

Für noch mehr Realismus fügen wir auch Rauschen hinzu, z.B. den Handel von kleinen oder Market Makern

noise <- rnorm(100,sd = 0.05)
plot(trend,t="l",col=8,lty=2)
lines(buy_limit+buy+noise)


So kann man den Markt als einen komplizierten Prozess betrachten.

Jetzt ist es interessant, darüber nachzudenken. Wenn wir den Preis prognostizieren, was genau prognostizieren wir dann? den Trend? den Marktkäufer? den Grenzkäufer? das Rauschen? :) und sollten wir das alles zusammen vorhersagen?

 
mytarmailS #:
Was sagen wir eigentlich voraus?
25 wieder :) die Grundlagen der Ökonometrie haben sich durchgesetzt. Um sich nicht im Kreis zu drehen: Sie können nur Zyklen und saisonale Komponenten in einer Zeitreihe vorhersagen.
 
Maxim Dmitrievsky #:
25 wieder :) die Grundlagen der Ökonometrie sind verschwunden. Um sich nicht im Kreis zu drehen: Sie können nur Zyklen und saisonale Komponenten in einer Zeitreihe vorhersagen.
Nein, so einfach ist das nicht.
1...263126322633263426352636263726382639264026412642264326442645...3399
Neuer Kommentar