Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2322
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
Meiner Meinung nach ist dies für unsere Zwecke kein guter Artikel, ich habe ihn nur zur Veranschaulichung eines Ansatzes gewählt, der Multifraktalität und Stochastik kombiniert.
Grob gesagt ist multifraktal = bestehend aus vielen Fraktalen und Spektrum ist die Dimension dieser Basisfraktale. Aber wir können mit dem Begriff "Spektrum" spielen und uns etwas Passendes einfallen lassen - zum Beispiel eine Funktion, die den Grad der Abweichung von SB auf verschiedenen Skalen anzeigt.
Die Skala gibt einen größeren, kleineren Bereich an, das Spektrum oder eine andere Methode zur Erkennung von Nicht-SSB zeigt immer noch an, was sie anzeigt, bringt es aber in keiner Weise mit den Ursachen von Nicht-SSB in Verbindung. Generell wird der Zugang zur Kontrolle von allem und jedem und die Verarbeitung dieser Daten wahrscheinlich einige Möglichkeiten eröffnen. Aber sie werden nicht in jedermanns Gehirn gelangen)))
Die Skala gibt einen größeren unteren Bereich an, das Spektrum oder eine andere Methode zur Erkennung von Nicht-SSB zeigt immer noch an, was sie anzeigt, aber es wird in keiner Weise mit den Ursachen des Nicht-SSB in Verbindung gebracht. Im Allgemeinen wird der Zugang zur Kontrolle von allem und jedem und die Verarbeitung dieser Daten wahrscheinlich einige Möglichkeiten bieten. ABER es wird nicht in jedermanns Gehirn gelangen)))
Sie lassen uns nicht in die Server der Brokerfirmen und ECN) Sie müssen alles selbst erfinden).
https://www.mql5.com/ru/forum/325441/page15#comment_20589051
d.h. das Schreiben und Debuggen eines Bots sollte kein Problem sein
Guter Artikel. Der Ansatz wird nicht ausführlich behandelt, es gibt nur Ergebnisse und halbe Hinweise darauf, wie es gemacht wird, aber die Ergebnisse sind beeindruckend.
Guter Artikel. Der Ansatz ist nicht gut offengelegt, nur Ergebnisse und halbe Hinweise, wie es gemacht wird, aber die Ergebnisse sind beeindruckend.
Ich habe mich nicht näher damit befasst, aber es scheint, dass mit Hilfe eines Algorithmus eine große Anzahl möglicher Erweiterungen der Reihe vorgenommen wird, aus denen diejenige ausgewählt wird, die bei gegebener Metrik am besten zur ursprünglichen Reihe passt. Ich sehe das Problem in der Zweideutigkeit des Ergebnisses einer solchen "Vorhersage":
1) Wenn mehrere Metriken angegeben sind, gibt es für jede von ihnen eine andere "Vorhersage". Wenn Sie aus mehreren Kompromissmetriken eine auswählen, hängt die "Vorhersage" von dem jeweiligen Gerät ab.
2) Die "Vorhersage" hängt in hohem Maße von dem Algorithmus ab, mit dem eine Reihe möglicher Serienverlängerungen konstruiert wird.
Die Idee, sich von parametrischen Modellen zu lösen, ist verständlich und attraktiv, wird aber hier nicht umgesetzt (ich hoffe, es ist klar, warum).
Ich habe mich nicht näher damit befasst, aber es scheint so zu sein, dass mit Hilfe eines Algorithmus eine große Anzahl möglicher Reihenerweiterungen vorgenommen wird und dann diejenige ausgewählt wird, die nach den vorgegebenen Metriken am besten zur ursprünglichen Reihe passt. Ich sehe das Problem in der Zweideutigkeit des Ergebnisses einer solchen "Vorhersage":
1) Wenn mehrere Metriken angegeben werden, gibt es für jede von ihnen eine andere "Vorhersage". Wenn Sie aus mehreren Kompromissmetriken eine auswählen, hängt die "Vorhersage" von dem jeweiligen Gerät ab.
2) Die "Vorhersage" hängt in hohem Maße von dem Algorithmus ab, mit dem eine Reihe möglicher Serienverlängerungen konstruiert wird.
Die Idee, sich von parametrischen Modellen zu lösen, ist verständlich und attraktiv, wird aber hier nicht umgesetzt (ich hoffe, es ist klar, warum).
Soweit ich weiß, geben die Autoren nicht allzu viel über den Algorithmus selbst preis, sondern begnügen sich mit Sprüchen wie:
Daher verwendet die GenericPred-Methode zwei Grundregeln:
R1: Versuchen Sie immer, den Wert einer nichtlinearen Größe während der Vorhersage so stabil wie möglich zu halten(Abb. 3).
R2: Der neue Wert muss aus einer Menge möglicher Werte ausgewählt werden, die aus einer Wahrscheinlichkeitsverteilung generiert werden.
Die Vorhersage muss schrittweise erfolgen, da der im aktuellen Schritt vorhergesagte Wert zur Bestimmung des gültigen Änderungsbereichs für den nächsten Schritt benötigt wird.
Soweit ich das beurteilen kann, wird zunächst eine logistische lineare Komponente ausgewählt, und dann wird in jedem Schritt eine nichtlineare Komponente modelliert, wobei das Hauptkriterium die Stabilität einer Reihe von stochastischen Merkmalen der Reihe ist. Im Allgemeinen ist sie vage, aber das Ergebnis ist beeindruckend.
Meiner Meinung nach ähnelt der Ansatz dem des "prophet"-Pakets in R.
Ich sehe, dass es Interesse an diesem Thema gibt...
Soweit ich mich erinnere, gab es einen Versuch, diesen Algorithmus auf R zu implementieren, aber die Artikel sind nicht mehr offen, zumindest für mich, versuchen
Ich sehe, dass es Interesse an diesem Thema gibt...
Soweit ich mich erinnere, gab es einen Versuch, diesen Algorithmus auf R zu implementieren, aber die Artikel sind nicht mehr offen, zumindest für mich, versuchen
Es gibt eine großartige Website, die fast das gesamte Internet archiviert.
Hier sind Kopien der ersten Ihrer Artikel
https://web.archive.org/web/20160701000000*/https://mechanicalforex.com/2016/03/using-r-in-trading-time-series-forecasting-using-chaos-part-1.html