Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 741

 
Mihail Marchukajtes:

Es ist nur so, dass Ihre Fragen auf dem Niveau von Anfängern sind.....

So viel zum Thema "Verpissen". Ich meine mich... Elch, der erste in vierzehn Tagen... Aber ich lasse mich nicht entmutigen und arbeite weiter an dem TS.

Natürlich habe ich keine Erfahrung, also bin ich neugierig zu fragen, was ich nicht verstehe.

 
Aleksey Vyazmikin:

Natürlich habe ich keine Erfahrung, und deshalb bin ich daran interessiert, zu fragen, was ich nicht verstehe.

Versuchen Sie, die Technologie neuronaler Netze und maschinelles Lernen selbst zu verstehen. Dann werden wir reden ...

 
Mihail Marchukajtes:

Versuchen Sie, die Technologie neuronaler Netze und maschinelles Lernen selbst zu verstehen. Dann werden wir reden...

Ich könnte einen Lehrer und Mentor in dieser Angelegenheit gebrauchen...

 
Ich weiß es nicht:

Da die Abweichung gering ist, wenn man bei 30 Lernbeobachtungen und 30 Tests eine Genauigkeit von 90 % erhält, kann man ein Risiko eingehen, wenn es keine andere Wahl gibt, aber der Markt mit mehr als 95 % ist Rauschen, so dass man tausende Male mehr Punkte benötigt, um eine Vorhersage zu erhalten, die zumindest im Modulo mit dem Fehler vergleichbar ist.


PS: der zentrale Grenzwertsatz ist die Grundlage der Statistik und ihrer Nachkommenschaft MO, es ist wie F = ma in der Mechanik, Sie sind so respektlos zu ihm...

Wo haben Sie diese Ausführung des Grenzwertsatzes für nicht-stationäre Zufallsvariablen gesehen?

 

Sie können keinen Job finden? Multiplizieren Sie Ihre Zeit mit Ihrer Kraft!
(Eine Sammlung von universellen Tipps.)


;)))))

 
Ich bin mir nicht sicher:

Hier eine weitere Irrlehre über das "Nicht-Stationaritätsproblem"...

Die Rendite ist stationär und nahezu gaußförmig, wenn sie um die Volatilität bereinigt wird, und das ist alles, was benötigt wird; der Preis selbst, der nicht stationär ist, wird nicht in die Berechnungen einbezogen.

Studieren Sie GARCH und posten Sie hier nicht wieder eine Ketzerei über das "Nicht-Stationaritätsproblem"... für Rücksendungen. Es gibt Hunderte von GARCH-Modellen, die versuchen, die Nuancen der Nicht-Stationarität in den Renditen zu berücksichtigen, obwohl nicht alle diese Leute diese Souveränität haben.

 
SanSanych Fomenko:

...

Und warum?

Denn wenn ein Medikament theoretisch entwickelt wird, wird ein großer Aufwand betrieben, um die Wirkung des Medikaments auf die Krankheit zu rechtfertigen.

Das Einzige, was uns unterscheidet, ist, dass wir alles in einen Topf werfen. Sehen Sie sich diesen Thread an: 99% über Perseptrons und fast nichts über Data Mining.

Und wo haben Sie hier die Drogenhersteller gesehen? Nur Verbraucher, du hast aufgehört, zufällige Wälder zu nehmen, jetzt trinkst du Arcch Garch - Patienten, obwohl...

 

Ich habe versucht, es zu studieren, ich habe sogar mehrmals von vorne angefangen. Aber jedes Mal stieß ich auf eine unüberwindbare Mauer aus statistischen und ökonometrischen Begriffen und kam nie dazu, es zu tun.

Aber ich habe trotzdem etwas Wichtiges verstanden. Arima und Garch verwenden viel Zeit darauf, die internen Zustände einer Zeitreihe zu modellieren, von denen dann der Preis abgeleitet wird. Das heißt, es gibt Dutzende von globalen Prozessen, die in der Welt ablaufen, und der Preis ist eine Kombination aus ihnen. Anstatt also die Zeitreihen selbst zu modellieren, ist es besser zu versuchen, diese verborgenen Prozesse zu modellieren und die Interaktion dieser Prozesse zu modellieren, um die von uns benötigten Zeitreihen zu erhalten.

Garch und Arim verfügen über einige eingebaute Ideen zu diesen verborgenen Prozessen (Saisonalität, Trend usw.), aber sie sind auf Formeln beschränkt, die vor Jahrzehnten in diese Modelle eingegeben wurden. Wir können versuchen, unsere eigenen Indikatoren zu erstellen, die diese internen Marktbedingungen beschreiben, und es gibt weniger Einschränkungen als in Garch. Aber es ist auch leicht, einen Fehler zu machen, es ist auch eine sehr komplexe Aufgabe.

 
Der Preis ist nicht stationär:


Die Rendite ist stationär und nahezu gaußförmig, wenn sie um die Volatilität bereinigt wird, was ausreicht, da der Preis selbst, der nicht stationär ist, nicht an den Berechnungen teilnimmt.

Richten Sie die Volatilität nach der Historie oder nach dem Eintreffen eines neuen Ticks aus? Es ist klar, dass man fast Gauß'sche Werte erhält, wenn man z. B. einen muv um eine halbe Periode nach hinten verschiebt und ihn von den Basiskursen abzieht. Aber um zu wissen, was mit der Volatilität an der interessantesten Stelle - dem rechten Rand - passiert, sollten wir die zukünftige Hälfte der muv-Periode kennen. Wo können wir sie bekommen?


 
Dr. Trader:

Ich habe versucht, es zu studieren, ich habe sogar mehrmals von vorne angefangen. Aber jedes Mal stieß ich auf eine unüberwindbare Mauer aus statistischen und ökonometrischen Begriffen und kam nie dazu, es zu tun.

Aber ich habe trotzdem etwas Wichtiges verstanden. Arima und Garch verwenden viel Zeit darauf, die internen Zustände einer Zeitreihe zu modellieren, von denen dann der Preis abgeleitet wird. Das heißt, es gibt Dutzende von globalen Prozessen, die in der Welt ablaufen, und der Preis ist eine Kombination aus ihnen. Anstatt also die Zeitreihen selbst zu modellieren, ist es besser zu versuchen, diese verborgenen Prozesse zu modellieren und die Interaktion dieser Prozesse zu modellieren, um die von uns benötigten Zeitreihen zu erhalten.

Garch und Arim verfügen über einige eingebaute Ideen zu diesen verborgenen Prozessen (Saisonalität, Trend usw.), aber sie sind auf Formeln beschränkt, die vor Jahrzehnten in diese Modelle eingegeben wurden. Wir können versuchen, unsere eigenen Indikatoren zu erstellen, die diese internen Marktbedingungen beschreiben, und es gibt weniger Einschränkungen als in Garch. Aber es ist auch leicht, einen Fehler zu machen, es ist eine sehr schwierige Aufgabe.

GARCH und MO sind keine Konkurrenten, sie ergänzen sich vollständig, und das ist es, was ich jetzt tue: Ich versuche, den alten MO-Trend zu kombinieren und GARCH hinzuzufügen, um den Einstiegspunkt zu bestimmen. Ich habe schon einmal geschrieben, dass ich einen EA habe, der mir das Geld gebracht hat, das ich in einem Jahr des Handels brauchte. Sie bestand sowohl aus RF als auch aus anpassungsfähigen Zauberern (verfeinerte Juriks). Aber diese Paarung löste das Problem der Nicht-Stationarität nicht.

Generell unterscheide ich zwischen zwei Arten von Modellen:

  • Eine, die die statistischen Eigenschaften der Zeitreihen berücksichtigt - das ist GARCH, ein extrem entwickelter Trend, im Wesentlichen eine allgemeine Linie zusammen mit der Kointegration. Eine große Anzahl von Veröffentlichungen. Zum Beispiel als Merkmal des Niveaus der Veröffentlichungen. Verschiedene GARCH-Modelle werden für alle Aktien des S&P 500 Index, d.h. für 500 Aktien, untersucht. Mir ist nichts Vergleichbares in MO bekannt.
  • Klassifikationen, die wie der alte TA mechanisch nach Mustern suchen.

Jeder in diesem Thread klammert sich aus irgendeinem Grund an MO. Auf welcher Grundlage? Die Grundlage der Klassifizierung ist eine Art Beziehung zwischen der Zielvariablen und ihren Prädiktoren.

Nun, erstens werden hier jegliche Spekulationen über die Beziehung sofort unterbunden, wie es bei gegenseitigen Informationen der Fall war

Zweitens: Wer hat bewiesen, dass sich der Einfluss der Prädiktoren auf die Zielvariable im Laufe der Zeit nicht ändert, wenn es einen solchen Einfluss gibt? Ich habe bereits mehrfach anhand eines realen Trading Expert Advisors geschrieben, dass von 27 vorher gefundenen Prädiktoren bei jedem Balken 5 bis 15 übrig bleiben, und diese Liste ändert sich innerhalb der 27 Prädiktoren ständig. D.h. der Einfluss der Prädiktoren auf die Zielvariable ändert sich mit der Zeit und relativ schnell.


Die Idee des Expert Advisors ist also die folgende:

  • die künftige Richtung des Kurses am Hochpunkt anhand der Klassifizierung vorhersagen
  • dann eine pseudostationäre Zeitreihe verwenden, um mit Hilfe von GARCH die geeignete Einstiegsrichtung vorherzusagen