Bayes'sche Regression - Hat jemand einen EA mit diesem Algorithmus erstellt? - Seite 17
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
Beim Lesen von populärwissenschaftlichen Artikeln über die Arbeit von Bayes stieß ich auf das folgende Problem.
"Angenommen, ein Fass enthält viele kleine Plastikeier. Einige sind rot, andere blau gefärbt. 40 % der Eier enthalten Perlen und 60 % sind leer. 30% der Eier, die Perlen enthalten, sind blau gefärbt und 10% der leeren Eier sind ebenfalls blau. Wie groß ist die Wahrscheinlichkeit, dass das blaue Ei Perlen enthält?"
Auf den ersten Blick scheint die Wahrscheinlichkeit gering, denn nur 30 Prozent der perlenhaltigen Eier sind blau. Im Gegenteil, die Wahrscheinlichkeit, dass die blaue Perle Perlen enthält, ist mit 67 % doppelt so hoch wie die Wahrscheinlichkeit, dass sie keine Perlen enthält.
"40 % der Eier enthalten Perlen und 30 % sind blau, d. h. 12 % der Eier enthalten sowohl Perlen als auch sind blau.
60 % der Eier enthalten keine Perlen, und 10 % der Eier sind blau, also sind 6 % der Eier blau und enthalten keine Perlen.
12 % + 6 % = 18 %, also beträgt der Gesamtanteil der blauen Eier 18 %.
Wir wissen bereits, dass 12 % der Eier blau sind und Perlen enthalten, so dass die Wahrscheinlichkeit, dass ein blaues Ei Perlen enthält, 12/18 oder etwa 67 % beträgt.
Oder nach der Bayes-Formel: die Wahrscheinlichkeit, dass das blaue Ei Perlen enthält P(A|B)=P(B|A)*P(A)/P(B)=0,4*0,3/0,18=0,67.
P(A)= p(Perlen) = 0,4 Wahrscheinlichkeit, dass das Ei eine Perle enthält.
P(B|A)=p(blau| Perle) = 0,3 Wahrscheinlichkeit, dass das Ei blau ist, wenn es Perlen enthält
P(B)=p(blau) = 0,18 Wahrscheinlichkeit, dass das Ei blau ist.
Ersetzte "Barrel" mit "Chart", blaue Eier sind bärische Kerzen, rote Eier sind bullische Kerzen, Perlen - mehr als 70% der Preisinkremente innerhalb des Balkens sind positiv, oder kurz - viele positive Inkremente (MPP).
Angenommen, die roten Kerzen sind bullisch und die blauen sind bearisch. 40 % der Leuchter haben PPM, 60 % nicht. 30% der Kerzen, die MPP enthalten, sind bärisch und 18% aller Kerzen sind ebenfalls bärisch. Wie hoch ist die Wahrscheinlichkeit, dass eine bärische Kerze MPP enthält?
Hier ist die Wahrscheinlichkeit auf den ersten Blick noch geringer: Die gleichen 30 % der Kerzen, die MPP enthalten, sind bärisch, und die Kerze selbst ist bärisch, so dass sie mehr negative als positive Inkremente enthalten sollte. Aber nach den Berechnungen haben wir in diesem Fall die gleichen 67 %.
Die Wahrscheinlichkeit, dass die bärische Kerze MPP enthält. P(MPP|Bär) =P(MPP)*P(Bär|Bär)/P(Bär)=0.4*0.3/0.18=0.67
P(A) = p(MPP)=0,4 Wahrscheinlichkeit, dass die Kerze MPP enthält.
P(B|A)=p(bearish|MPP) = 0,3 Wahrscheinlichkeit, dass die Kerze bearish ist, wenn sie MPP enthält
P(B)=p(bearish) = 0,18 Wahrscheinlichkeit, dass die Kerze bärisch ist.
In diesem Fall, wenn eine Kerze die meisten positiven Inkremente hat, müssen die negativen Inkremente länger sein, damit sie bärisch wird. Dies gilt für alle Verteilungsgesetze von Kurssteigerungen innerhalb des Kerzenständers oder für das Fehlen solcher Gesetze.
Hier ist noch etwas, das ich gelesen habe:
"Psychologische Experimente[1] haben gezeigt, dass Menschen die Wahrscheinlichkeit eines Ereignisses auf der Grundlage ihrer Erfahrungen(a posteriori-Wahrscheinlichkeit) oft falsch einschätzen, weil sie die Wahrscheinlichkeit der Annahme selbst(a priori-Wahrscheinlichkeit) ignorieren. Daher kann das korrekte Ergebnis nach der Bayes-Formel sehr unterschiedlich zu dem intuitiv erwarteten Ergebnis sein."
Sehen Sie, so ist das nun einmal.
...
Wenn in diesem Fall die meisten Inkremente einer Kerze positiv sind, müssen die negativen Inkremente länger sein, damit sie bärisch ist. Dies gilt für jedes Gesetz der Verteilung von Kursinkrementen innerhalb eines Leuchters oder für das Fehlen eines solchen.
...
Wurde das Bayes-Theorem angewandt, um zu dieser Schlussfolgerung zu gelangen?
Fehleinschätzungen bei Wahrscheinlichkeitsproblemen können auch durch eine unattraktive Darstellung der Problembedingungen entstehen.
Am einfachsten kann ich meinen Mund halten, wenn ich die Funktionsweise des Polynom-Modells anhand dieses Beispiels zeige....
Und wie viele Reshetts haben sich über dich lustig gemacht, und wie viele Adepten (18) sind im Vorhersagethread gestorben...))
Ich habe vor langer Zeit geschrieben, dass der Markt ein System ist, das auf Nachrichten reagiert. All diese Diskussionen über die statistische Verteilung von Preisen, Volatilität und Regressionsfehlern sind nutzlos. Wenn wir das Kursverhalten zum Zeitpunkt der Veröffentlichung von Nachrichten (und diese Zeitpunkte sind bekannt und regelmäßig) betrachten, erhalten wir eine Verteilung. Wenn wir die Zeiten der Nachtsitzungen wählen, werden wir eine andere Verteilung erhalten. Auch die Regression der Marktpreise ist nutzlos. Der Regressionsschwanz wird wackeln und von den eingehenden Preisen abhängen. Verwenden Sie Bindestriche, wenn Sie die Preisreihen glätten wollen. Die Extrapolation einer Regression ist eine Utopie. Der Preis ist kein Stein, den man wirft und dann versucht zu bestimmen, wo er nach einer gewissen Zeit liegen wird. Auch die Anwendung von Algorithmen zur Verfolgung von Raketen funktioniert nicht. Allerdings ist es sinnvoll, sich auf den Zeitpunkt der Veröffentlichung von Nachrichten (externe Schocks) und die Preisentwicklung unmittelbar nach dem Schock zu konzentrieren. Es können Regelmäßigkeiten erkannt und Gewinne erzielt werden. Es ist jedoch ein Irrtum und theoretisches "Opium für das Volk", die gesamte Preisreihe als Ganzes zu betrachten und über ihre gemittelten Merkmale zu sprechen.
Ich erinnere mich, dass Sie einen geeigneten Algorithmus finden wollten, um die Auswirkungen bestimmter Nachrichten auf die Märkte zu überprüfen.
Meine Meinung zu den Nachrichten ist, dass nur sehr wichtige und unerwartete Nachrichten die Marktrichtung und die Logik des Preisverhaltens ändern, die nicht durch die Regeln der technischen Analyse beschrieben werden können. In allen anderen Fällen können die Nachrichten die Kursbewegung beeinflussen, aber die Bewegung selbst ist technisch und klar.
Ich erinnere mich, dass Sie einen geeigneten Algorithmus finden wollten, um die Auswirkungen bestimmter Nachrichten auf die Märkte zu überprüfen.
Meine Meinung zu den Nachrichten ist, dass nur sehr wichtige und unerwartete Nachrichten die Marktrichtung und die Logik des Preisverhaltens ändern, die nicht durch die Regeln der technischen Analyse beschrieben werden können. In allen anderen Fällen können die Nachrichten die Kursbewegung beeinflussen, aber die Bewegung selbst ist technisch und klar.
Wurde das Theorem von Bayes angewandt, um zu dieser Schlussfolgerung zu gelangen?
Fehlerhafte Schätzungen bei Wahrscheinlichkeitsproblemen können auch auf eine unattraktive Darstellung der Bedingungen des Problems zurückzuführen sein.
Eine solche Schlussfolgerung kann in diesem Beispiel auch rein logisch gezogen werden. Meiner Meinung nach wird die Bayes-Formel hier jedoch korrekt angewandt. Allerdings kann ich mich dafür nicht verbürgen, weil ich das Thema aus Artikeln für "Dummies" lese.
http://baguzin.ru/wp/wp-content/uploads/2013/09/%D0%98%D0%BD%D1%82%D1%83%D0%B8%D1%82%D0%B8%D0%B2%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%8A%D1%8F%D1%81%D0%BD%D0%B5%D0%BD%D0%B8%D0%B5-%D1%82%D0%B5%D0%BE%D1%80%D0%B5%D0%BC%D1%8B-%D0%91%D0%B0%D0%B9%D0%B5%D1%81%D0%B0.pdf
Ich habe schon vor langer Zeit geschrieben, dass der Markt ein System ist, das auf Nachrichten reagiert. Das ganze Gerede über die statistische Verteilung von Preisen, Volatilität und Regressionsfehlern ist nutzlos. Wenn wir das Kursverhalten zum Zeitpunkt der Veröffentlichung von Nachrichten (und diese Zeitpunkte sind bekannt und regelmäßig) betrachten, erhalten wir eine Verteilung. Wenn wir die Zeiten der Nachtsitzungen wählen, werden wir eine andere Verteilung erhalten. Auch die Regression der Marktpreise ist nutzlos. Der Regressionsschwanz wird wackeln und von den eingehenden Preisen abhängen. Verwenden Sie Bindestriche, wenn Sie die Preisreihen glätten wollen. Die Extrapolation einer Regression ist eine Utopie. Der Preis ist kein Stein, den man wirft und dann versucht zu bestimmen, wo er nach einer gewissen Zeit liegen wird. Auch die Anwendung von Algorithmen zur Verfolgung von Raketen funktioniert nicht. Allerdings ist es sinnvoll, sich auf den Zeitpunkt der Veröffentlichung von Nachrichten (externe Schocks) und die Preisentwicklung unmittelbar nach dem Schock zu konzentrieren. Es können Regelmäßigkeiten erkannt und Gewinne erzielt werden. Es ist jedoch ein Irrtum und theoretisches "Opium für das Volk", die gesamte Preisreihe als Ganzes zu betrachten und über ihre gemittelten Merkmale zu sprechen.
Ich habe den Expert Advisor im Jahr 2011 geschrieben und war bereit, ihn in der Praxis einzusetzen, aber viele Forex-Firmen in den USA haben geschlossen, auch Alpari.
Mein Gott!
Wann werdet ihr alle anfangen, Bücher zu lesen?
Denn Sie wissen, was bekannt ist, und Sie wissen, was nicht bekannt ist!
Man muss sich nur hinsetzen und lesen!
1. Versuchen Sie zunächst einmal, die Worte zu verstehen, die wir sagen:
TECHNISCHE ANALYSE.
Analyse, und dann gibt es noch das Wort Prognose - diese Begriffe haben unterschiedliche Bedeutungen und sind nicht synonym. Menschen, die sich mit technischer Analyse auskennen, werden Chartisten genannt, d. h. Menschen, die Charts zeichnen. Mehr nicht. Es ist eine Fähigkeit der menschlichen Psyche, Informationen in grafischer Form besser wahrzunehmen als in digitaler. Nicht mehr als das. Es stimmt, es gibt Menschen, sehr selten, die sich die gezeichneten Charts lange Zeit, 3-5 Jahre, ansehen, Entscheidungen in der realen Welt treffen und schließlich gewinnbringend handeln. Sie fragen sich vielleicht, wer dies liest, wenn Sie zu dieser Kategorie von Menschen gehören?
2 Die Tatsache, dass Regressionen nicht auf Finanzmärkte angewendet werden können, war schon vor etwa 100 Jahren bekannt. Aber diese Leute wurden 1952 von Markowitz erdrückt, als er die Portfoliotheorie erfand. Er stellte einen mathematischen Apparat zur Verfügung, der es ihm ermöglichte, ein Gleichgewicht zwischen Rentabilität und Risiko herzustellen. Er erhielt 1992 sogar einen Nobelpreis, obwohl 1987 alle Portfolios zusammenbrachen, ebenso wie die Theorie von Markowitz.
Alle erinnerten sich an Mandelbrots Veröffentlichungen von Mitte 1960 und begannen, mit dem Finger auf die Schwänze der Verteilungen zu zeigen, denn die Ereignisse von 1987 sind fast unglaublich, und es geschah, was Mandelbrot 20 Jahre zuvor vorhergesagt hatte.
Hier wurde auch an andere Personen erinnert - an Box-Jenkins, der 15 Jahre vor dem Crash von 1987 ein Modell vorgeschlagen hatte.
3. das ARIMA-Modell. Die Autoren des Modells erklärten, dass es nicht möglich sei, Erstnotierungen zu verwenden, und dass es notwendig sei, inkrementelle Preise zu verwenden. So sind sie die Trends losgeworden. Sie gaben ein Modell und eine Methodik für dessen Bau vor. Es wird immer noch von der US-Regierung verwendet. Sie ist für die Öffentlichkeit zugänglich.
4. Kluge Köpfe haben fast sofort erkannt, dass ARIMA ein brauchbares Modell ist, allerdings für einen sehr engen Bereich der Finanzmärkte. Und sie formulierten: Es ist notwendig, Veränderungen in der Streuung zu berücksichtigen - das sind eine Vielzahl von ARCH-Modellen. Diese Modelle erweiterten den Anwendungsbereich von matmethods.
5. Fast zur gleichen Zeit erfand Granger sein Kointegrationsmodell, das ebenfalls von einem Laien entwickelt wurde. Er sagte, dass ARMA, ARIMA, ARCH, GARCH und all die anderen nicht dasselbe sind, aber es ist möglich, zwei Vermögenswerte so zu kombinieren, dass ein stationäres Ergebnis erzielt wird, und wenn dies der Fall ist, funktionieren alle statistischen Methoden, einschließlich Regressionen und entsprechender Analysen und Prognosen, perfekt. Und es funktioniert wirklich.
6. Und 1998 und 2007 wurde die Idee der Stationarität von Finanzreihen als ebenso zweifelhaft in Erinnerung gerufen wie die Methoden zur Reduzierung dieser Finanzreihen auf stationäre Form.
Die Ideen der künstlichen Intelligenz in Form des maschinellen Lernens kamen auf, und es wurde argumentiert, dass man den Wert (Regressionsmethoden) oder die Richtung(Klassifizierungsmethoden) der Zielvariablen aus der Menge der Werte der Eingangsvariablen (Prädiktoren) vorhersagen kann. Im Falle der Klassifizierung: Es ist möglich, eine Variable vorherzusagen, die zwei Werte annimmt: Kauf und Verkauf. Für TA-Liebhaber: So etwas wie Musterhandel, nur dass dem Modell beigebracht wird, Muster zu erkennen, und Statistiken zur Verfügung stehen.
PS.
Der Platz der Bayes'schen Modelle auf den Finanzmärkten ist lang und genau definiert - nicht anwendbar.
PSBP
Es gibt einen Aphorismus: Richtige Modelle gibt es nicht - es gibt nützliche Modelle.
Und die Nützlichkeit wird allein dadurch definiert, dass ein Modell nur für Daten gilt, auf die es angewendet werden KANN.
...