Bayes'sche Regression - Hat jemand einen EA mit diesem Algorithmus erstellt?
Erstens wurde eine normale Börse verwendet, zweitens waren die Hauptdaten, die eingespeist wurden, wahrscheinlich die Markttasse, und man kann dort separate Volumina erhalten, und drittens war es eine Kryptowährung.
Der Pdf ist bärtig, ich glaube nicht, dass es jetzt so einfach ist, es ist viel schwieriger zu handeln.
Aber ich denke, es ist immer noch möglich, zu kneifen.
Wenn Sie so etwas mit Forex machen wollen, trinken Sie kaltes Wasser, ich sage es Ihnen gleich - es wird mit 99%iger Wahrscheinlichkeit nicht funktionieren.
Erstens wurde eine normale Börse verwendet, zweitens sind die wichtigsten Daten, die eingespeist wurden, wahrscheinlich ein Marktkurs, und drittens handelt es sich um eine Kryptowährung.
Der Pdf ist bärtig, ich glaube nicht, dass es jetzt so einfach ist, es ist viel schwieriger zu handeln.
Aber ich denke, es ist immer noch möglich, zu kneifen.
Wenn Sie so etwas mit Forex machen wollen, trinken Sie kaltes Wasser, ich kann Ihnen jetzt schon sagen - es wird mit 99%iger Wahrscheinlichkeit nicht funktionieren.
Ich danke Ihnen.
Ich bin an der Meinung interessiert, ob diese Strategie im Devisenhandel verwendet werden kann. Ich habe viele verschiedene Meinungen, besonders wertvolle, die auf praktischen Erfahrungen beruhen.
Die Meinungen können unterschiedlich sein, vor allem diejenigen, die auf praktischen Erfahrungen beruhen, sind wertvoll.
Ich danke Ihnen.
Ich bin an der Meinung über die Möglichkeit der Verwendung dieser Strategie in Forex interessiert. Die Meinungen können unterschiedlich sein, vor allem diejenigen, die auf praktischen Erfahrungen beruhen, sind wertvoll.
DieBayes'sche Regression ähnelt der Ridge-Regression, basiert aber auf der Annahme, dass das Rauschen (der Fehler) in den Daten normalverteilt ist - es wird also davon ausgegangen, dass bereits ein allgemeines Verständnis der Datenstruktur vorhanden ist, was es ermöglicht, ein genaueres Modell zu erhalten (natürlich im Vergleich zur linearen Regression).
Daher: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
Aufgrund der Annahme der Normalität der Fehler stelle ich die Anwendbarkeit dieser Methode auf die Finanzmärkte in Frage.
Darüber hinaus besteht bei jedem Modell, bei dem die Abhängigkeit nur als Hyperebene geschätzt wird, die Gefahr, dass eine nichtlineare Kante übersehen wird, die das Modell rentabel machen kann.
- Stimmen: 4
- datareview.info
Aufgrund der Annahme der Normalität der Fehler stelle ich die Anwendbarkeit dieser Methode auf die Finanzmärkte in Frage.
Es kommt nicht so sehr auf die Regression an, sondern eher auf die Eingangsdaten.
Ich würde Ihren Punkt sogar noch verstärken: Der Erfolg der Modellierung wird nicht von den Modellen bestimmt (wenn sie richtig angewandt werden), sondern von den Eingangsdaten. Meiner Erfahrung nach führen einige Eingabedatensätze IMMER zu übertrainierten Modellen, und wenn Sie mit ihnen arbeiten, können Sie durchaus feststellen, dass Sie Modelle erhalten können, die nicht übertrainiert sind. Ich glaube, dass das Hauptübel der Modellierung - die Überanpassung - von den Eingabedaten bestimmt wird. Dieses Problem mit Regularisierung zu lösen, ist eine halbe Sache.
Zu den vielversprechendsten gehören: ada, randomforest, SVM.
Das Bayes'sche Modell ist wegen der Annahme der Normalität des Fehlers (wie auch viele andere Modelle) besser nicht zu verwenden.
Ich würde Ihren Punkt sogar noch verstärken: Der Erfolg der Modellierung wird nicht durch die Modelle bestimmt (wenn sie richtig angewendet werden), sondern durch die Eingangsdaten. Meiner Erfahrung nach führen einige Eingabedatensätze IMMER zu übertrainierten Modellen, und wenn man mit ihnen arbeitet, kann es gut sein, dass man am Ende untrainierte Modelle erhält. Ich glaube, dass das Hauptübel der Modellierung - die Überanpassung - von den Eingabedaten bestimmt wird. Dieses Problem mit Regularisierung zu lösen, ist eine halbe Sache.
Zu den vielversprechendsten gehören: ada, randomforest, SVM.
Das Bayes'sche Modell ist wegen der Annahme der Normalität des Fehlers (wie auch viele andere Modelle) besser nicht zu verwenden.
Ich danke Ihnen.
Ich bin auch an der Meinung zu dem im Artikel beschriebenen Handelsansatz interessiert.
Und warum? Glauben Sie, dass das Gesetz der Normalverteilung auf den Finanzmärkten nicht funktioniert? Wenn Sie Rauschen (Fehler) als zufällige Größen betrachten, dann ist es vollkommen angemessen, für sie eine Gaußsche Verteilung zu verwenden.
Eine Situation, in der die Fehler tatsächlich normal sind, ist selten, und dies erfordert eine sorgfältige Reproduktion der Wahrscheinlichkeitsdichtefunktion für die ursprünglichen Reihen im Modell. Wird dies möglich sein? Das ist die Frage. Und wenn die Plausibilität der Modellparameterschätzungen davon abhängt, kann man daneben liegen. Ich würde nicht-parametrische Methoden verwenden, wie Random Forest, GBM, nicht-lineare SVM.
Aber im Allgemeinen haben Leute, die die lineare Regression gut verstehen und Feature Engineering beherrschen, auf den Finanzmärkten bessere Ergebnisse erzielt als zufälliges Raten.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Die Strategie ist in der Lage, die Investition in einem Zeitraum von weniger als 60 Tagen fast zu verdoppeln, wenn sie mit realen Daten abgeglichen wird.
I. Bayes'sche Regression Das Problem. Betrachten wir die Frage der Regression: Wir erhalten n markierte Datenpunkte (xi,yi) für 1 ≤ i ≤ n mit xi ∈ Rd,yi ∈ R für einige fixed d ≥ 1. Ziel ist es, anhand dieser Trainingsdaten das unbekannte Label y ∈ R bei gegebenem x ∈ Rd vorherzusagen. Der klassische Ansatz. Ein Standardansatz aus der nicht-parametrischen Statistik (vgl. z.B. [3]) ist die Annahme eines Modells des folgenden Typs: Die markierten Daten werden gemäß der Beziehung y = f(x)+ erzeugt, wobei eine unabhängige Zufallsvariable ist, die Rauschen repräsentiert und üblicherweise als Gaußsche Variable mit Mittelwert 0 und (normalisierter) Varianz 1 angenommen wird. Die Regressionsmethode läuft darauf hinaus, f aus n Beobachtungen (x1,y1),...,(xn,yn) zu schätzen und für die Zukunftsprognose zu verwenden. Wenn z. B. f(x) = xTθ∗, d. h. f als lineare Funktion angenommen wird, dann wird die klassische Kleinste-Quadrate-Schätzung zur Schätzung von θ∗ oder f verwendet: ˆ θLS ∈argmin θ∈Rd n X i=1 (yi -xT i θ)2 (1) [...]Bayessche Regression und Bitcoin. pdf