Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2323

Neuer Kommentar
 
elibrarius:

Es gibt eine großartige Website, die fast das gesamte Internet archiviert.

super!!! danke

 

Meiner Meinung nach ist es wenig sinnvoll, die Serie 100-200-500 Tage im Voraus zu prognostizieren. Es kann zu viel passieren... um die Serie und die Kräfte, die ihre Bewegung beeinflussen, drastisch zu verändern.

Können Sie diesen Code (besser aus Artikel 3, er ist stabiler) für M1-M15-Prognosen 1-10 Stunden im Voraus wiederholen? Schon 1 Stunde reicht aus, um den Spread zu schlagen und einen Gewinn zu erzielen.
Wenn dies erfolgreich ist, können Sie die Methode in die Praxis umsetzen.

 
sibirqk:

Soweit ich weiß, geben die Autoren nicht allzu viel über den Algorithmus selbst preis, sondern machen Sprüche 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 habe etwas genauer hingesehen - ich sehe, dass ich mich ein wenig geirrt habe. Sie erstellen eine Reihe gleitender nichtlinearer Metriken aus Originalreihen (sie schreiben über fraktale Dimension und Lyapunov-Indizes). Diese neue Serie halten sie (aufgrund praktischer Beobachtungen) für ähnlich wie SB. Und sie multiplizieren diese Reihe in der Zukunft mit einer Monte-Carlo-ähnlichen Methode und nehmen eine Variante mit maximaler Nähe zur Ausgangsmenge.

Das Geheimnis liegt in einer spezifischen Umwandlung der Ausgangsreihen in Messreihen und - was noch wichtiger ist - in der umgekehrten Umwandlung.

Im Großen und Ganzen sieht das alles verdächtig aus (vor allem die Art der Präsentation der Ergebnisse) und macht wenig Lust auf eine weitere Untersuchung der Frage.

 
Aleksey Nikolayev:

Bei näherem Hinsehen sehe ich, dass ich mich etwas geirrt habe. Sie erstellen eine Reihe von gleitenden nichtlinearen Metriken aus der ursprünglichen Reihe (sie schreiben über fraktale Dimensionalität und Lyapunov-Indizes). Diese neue Serie halten sie (aufgrund praktischer Beobachtungen) für ähnlich wie SB. Und sie multiplizieren diese Reihe in Zukunft mit einer Monte-Carlo-ähnlichen Methode und nehmen eine Variante mit maximaler Nähe zur Ausgangsmenge.

Das Geheimnis liegt in einer spezifischen Umwandlung der Ausgangsreihen in Messreihen und - was noch wichtiger ist - in der umgekehrten Umwandlung.

Insgesamt wirkt das alles verdächtig (vor allem die Art der Präsentation der Ergebnisse) und weckt wenig Lust auf eine weitere Untersuchung der Frage.

Es sieht aus wie eklige Fäkalien, um es mal so auszudrücken.)

Wenn Sie den Cram berechnen, wird er schlechter sein als die naive Preisvorhersage des letzten Balkens

 
Aleksey Nikolayev:

Das Geheimnis bleibt die Art der spezifischen Umwandlung der ursprünglichen Reihe in eine Reihe von Metriken und, was noch wichtiger ist, die umgekehrte Umwandlung.

Es gibt einen Code!

 
Aleksey Nikolayev:

Nun, wir haben keinen Zugang zu den Servern der DCs und ECNs) Wir müssen uns alles selbst ausdenken).

Selbst wenn sie uns reinlassen, wird das nicht viel bringen) Die Geschwindigkeit, mit der sie die Preise bekommen, und ihre gewisse Korrektheit werden das Wesentliche nicht ändern. Aber die Tendenz ist, dass die Kapazität der Preisforschung und der Algorithmen zur Schätzung der FA-Daten wächst, letztere leider viel langsamer. Aber der Trend ist da))) Und wer als erster die Ergebnisse kombinieren kann, wird für eine Weile an der Spitze stehen: )))).

 

Artikel aus dem Jahr 2014. Ich habe auf jeden Fall die russische Übersetzung oder einen Bericht darüber in einem populären Werk eines "Handelslehrers" gelesen.

Ich erinnere mich vage daran, dass es auf die Tatsache hinauslief, dass die Vorhersage gut ist, wenn es einen Trend gibt, und dass die Vorhersage falsch ist, wenn es eine Trendänderung gibt. Sie sind nicht weit genug gegangen)

 

Das Thema MoD hat sich lustigerweise auf die Ebene von DSP und Arim herabgelassen

obwohl die Autoren des Artikels nicht einmal Arima oder Garch richtig benutzen konnten, so dass sie keine gerade Linie zeigen

Schreiben Sie mehr über Sinuswellen und so weiter.
 
mytarmailS:

Der Code ist da!

Ich weiß nicht, was mit dem Autor des Artikels los war, als er den Code im dritten Teil schrieb, aber der Code war an drei Stellen "kaputt", tin....

Ich habe es repariert.

library(quantmod)
library(fractaldim)


getSymbols("SPY",src="yahoo", from="2019-01-01")


N <- 10  #  Predict the last N bars

mainData <- SPY$SPY.Close



colnames(mainData) <- c("data")
endingIndex <- length(mainData$data)-(N+1)

TEST <- mainData[1:endingIndex]
total_error <- 0
error_per_prediction <- matrix(ncol = 1,nrow = 0)

#These  are the fractal dimension calculation parameters
#see  the fractaldim library reference for more info

method <- "rodogram"
Sm <- as.data.frame(TEST, row.names = NULL)
delta <- c()

#  calculate delta between consecutive Sm values to use as guesses
for(j in 2:length(Sm$data)){
  delta <- c(delta, (Sm$data[j]-Sm$data[j-1])/Sm$data[j-1])
}

Sm_guesses <- delta

#do 100 predictions of next values in Sm
for(i in 1:N){
  
  #update  fractal dimension used as reference
  V_Reference <- fd.estimate(Sm$data, method=method)$fd
  minDifference = 1000000
  
  #  check the fractal dimension of Sm plus each different guess and
  #  choose the value with the least difference with the reference
  for(j in 1:length(Sm_guesses)){
    
    new_Sm <- rbind(Sm, Sm_guesses[j]*Sm$data[length(Sm$data)]+Sm$data[length(Sm$data)])
    new_V_Reference <- fd.estimate(new_Sm$data, method=method)$fd
    
    if (abs(new_V_Reference - V_Reference) < minDifference ){
        Sm_prediction <- Sm$data[length(Sm$data)]+Sm_guesses[j]*Sm$data[length(Sm$data)]
        minDifference <- abs(new_V_Reference - V_Reference)
    }
  }
  
  print(i)
  #add  prediction to Sm
  Sm <- rbind(Sm, Sm_prediction)
 
 
}

id <- endingIndex:(endingIndex+N)

pred <- Sm$data[id]
real <- as.data.frame(mainData$data[id], row.names = NULL)

plot(pred, type="l",col=2,ylim = range(pred,real),lty=3)
lines(real,lwd=2)

...::: www. tv4user.de :::...

 
Maxim Dmitrievsky:

Das Thema des Verteidigungsministeriums ist auf die Ebene der COC ...... herabgesunken.

Wenn man nicht viel weiß, gibt es nur Wunder...

1...231623172318231923202321232223232324232523262327232823292330...3399
Neuer Kommentar