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
In mql sieht das in etwa so aus.
if(h<3) { h=pow(4./3./n,0.2); }
Hier liegt ein Fehler vor. Wenn h nicht angegeben ist, wird es nach der Formelh=pow(4./3./n,0.2) berechnet. Wird als Eingabeparameter p_h angegeben, so ist h = p_h. In Matlab heißt die Variable, die die Anzahl der Eingaben misst, nargin. Wenn nargin<3 ist, bedeutet dies, dass beim Aufruf der Funktion nur die ersten beiden Eingaben, x und y, angegeben werden. In diesem Fall berechnen wir h nach der Formel.
if(h<3) { h=pow(4./3./n,0.2); }
Hier liegt ein Fehler vor. Wenn h nicht angegeben ist, wird es nach der Formelh=pow(4./3./n,0.2) berechnet. Wird als Eingabeparameter p_h angegeben, so ist h = p_h. In Matlab heißt die Variable, die die Anzahl der Eingaben misst, nargin. Wenn nargin<3 ist, bedeutet dies, dass beim Aufruf der Funktion nur die ersten beiden Eingaben, x und y, angegeben werden. In diesem Fall berechnen wir h nach der Formel.
Ich bin auf einen Artikel gestoßen, und er schien zum Thema zu passen. Die Datei befindet sich im Anhang.
Hier ist der Satz
Wir berichten über ein tiefgreifendes Zusammenspiel zwischen hierarchischen Eigenschaften der Kreuzkorrelation und der Multifraktalität der täglichen Aktienrenditen an der New Yorker Börse.
Ich bin auf diesen Artikel gestoßen und er schien zum Thema zu passen. Die Datei befindet sich im Anhang.
Hier ist der Satz
Wir berichten über ein tiefgreifendes Zusammenspiel zwischen den hierarchischen Eigenschaften der Kreuzkorrelation und der Multifraktalität der täglichen Aktienrenditen an der New Yorker Börse.
Ich finde diesen Artikel schwer zu verstehen, aber trotzdem danke.
Ich habe mir Gedanken über die Verteilung der positiven und negativen Marktpreisabweichungen gemacht. Es wurde hier schon einmal diskutiert und die Schlussfolgerung war, dass negative Abweichungen stärker sind als positive Abweichungen. Ich werde versuchen, die einzeilige Regression durch zwei Linien zu ersetzen, eine für positive und eine für negative Eingabewerte. Ich werde sehen, was passiert.
Ich finde diesen Artikel schwer zu verstehen, aber trotzdem danke.
Ich habe mir Gedanken über die Verteilung der positiven und negativen Marktpreisabweichungen gemacht. Dies wurde hier schon einmal diskutiert und die Schlussfolgerung war, dass negative Abweichungen stärker sind als positive. Ich werde versuchen, die einzeilige Regression durch zwei Linien zu ersetzen, eine für positive Eingabewerte und eine für negative Eingabewerte. Ich werde sehen, was passiert.
Es gibt zwei Arten von Modellen:
RandomForest-Wälder sind für die Klassifizierung sehr gebräuchlich, sie funktionieren sehr gut für Quelldaten mit vielen Variablen, die eine geringe Anzahl von Dimensionen haben. In der Regel sind 50-100 Messungen ausreichend. Und die Variablen können mehrere zehntausend betragen.
Für ungefähre Berechnungen ist Rattle sehr praktisch. Sie erwähnten Matlab, also ist Rattle für Sie ein Kinderspiel, und es stehen 6 Modelle beider Typen zur Verfügung, sowohl Regressions- als auch Klassifikationsmodelle. Dort kann man sich auch Korrelationen ansehen, einige Variablen verwerfen, das Ergebnis schätzen..... Sie erhalten eine Menge interessanter Informationen über Ihre Variablen. Beurteilen Sie nebenbei die Bedeutung der Variablen.
Verbringen Sie Zeit mit Rattle - Sie werden es nicht bereuen, vor allem in Ihrem Stadium und mit Ihren Zielen - nur um zu sehen, was Sie bekommen.
Möchten Sie diese Daten zu Ihrem Klassifikator hinzufügen? "Meta COT Projekt - neue Horizonte für die Analyse von CFTC-Berichten im MetaTrader 4 Terminal". Es wäre interessant zu sehen, wie stark sie eine Vorhersagekraft haben.
Ich habe mir den Artikel angesehen, aber die Daten nicht verstanden. Ich würde gerne neue Daten ausprobieren, aber sagen Sie mir genau, welche Art von Daten und wo ich sie bekommen kann. Die Daten sollten mindestens bis 1980 reichen (idealerweise ab 1960). Der RMS der Vorhersagen meines Systems nimmt ab, wenn ich den Beginn der Geschichte nach rechts verschiebe, und seine Vorhersagen werden schlechter als die zufälligen Vorhersagen, wenn der Beginn der Trainingsgeschichte nach 1980 verschoben wird. Dies ist höchstwahrscheinlich darauf zurückzuführen, dass sich die Zahl der Vorhersagen, auf deren Grundlage die besten Prädiktoren für den Testzeitraum seit 2000 ausgewählt werden, verringert hat. Ich pumpe bereits das Put/Call-Verhältnis für den S&P 500 auf, aber diese Daten werden von meinem System verworfen, da es von 1995 ausgeht und das System ab 1960 zu lernen beginnt. Alle Daten, die später als 1860 beginnen, werden automatisch verworfen.
Leider sind die Anforderungen an die Tiefe von 1960 sehr hoch. COTs, wie sie jetzt veröffentlicht werden, wurden in den späten 80er Jahren (den guten alten Achtzigern) zusammengestellt.
Versuchen Sie, ein Modell zusammenzustellen, für das Sie weniger Geschichte lernen müssen. COT erscheint einmal pro Woche, Put/Call-Ratios sind in der Regel am Ende eines jeden Tages verfügbar. D.h. die Gesamtzahl der Messungen für solche Daten könnte sogar noch höher sein als bei Monatsberichten.
Wenn überhaupt, dann sind die Daten hier: http://www.cftc.gov/MarketReports/CommitmentsofTraders/HistoricalCompressed/index.htm
Wie können wir den Absturz vorhersagen, der im Mai 2010 durch einen Roboterfehler verursacht wurde (jeder ist dieser Meinung) und der Euro um mehr als 1000 (!) Punkte einbrach, oder den Absturz, der durch das Verhalten des Frankens im Januar verursacht wurde?
Deshalb ist ein Crash ein Crash, der SOFORT passiert! :)
Ein durch den Algorithmus verursachter Absturz ist ein Algorithmusfehler, der selten auftritt und durch eine Analyse der Situation und des Algorithmus selbst korrigiert werden kann.
Aber Crashs gibt es jeden Tag, jede starke Kursänderung aus dem Gleichgewichtszustand kann als Crash betrachtet werden.
Ein solcher Absturz wird durch das Verhalten der Menge verursacht und hat seine Vorboten. Alle suchen nach ihnen.