Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 623
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
No, java no es un lenguaje interpretado, es traducible, como C#, la traducción ocurre una vez, el resultado es "código de bytes", que es ejecutado por la máquina virtual, java y sysharp son más lentos que C++ no significativamente, 1-2 veces más lento dependiendo del algoritmo, la optimización es en el nivel bajo (inseguro) sólo, debido a la gestión de punteros y la disposición de la memoria inteligente, cuando se trabaja con abstracciones estándar de alto nivel como vector, lista, etc. el rendimiento es comparable al de java\c#. Pero python y R pierden por docenas de veces, a veces por cientos, si escribes algoritmos nativos, la interpretación ocurre en tiempo de ejecución cada vez.
Selección de características
Aplicación del algoritmo de suavizado de Lowess:Para filtrar los valores atípicos en los datos.
Delta, derivada, derivada logarítmica, detrending con ema y lowess:
Yuriy Asaulenko:
Me pregunto por qué no Python? ¿Tal vez la misma R? No lo entiendo.
No lo entiendo:
No voy a hablar por Michael, él mismo puede argumentar su elección, pero puedo suponer que probablemente porque python y R son lenguajes de interpretación de alto nivel, son como matlab o "matemáticas" más que lenguajes en sí, para familiarizarse son muy chulos, pero en producción cuando hay que luchar con algoritmos exclusivos, ni hablar, es como ganar la fórmula 1 en un scooter.
Cuando necesites escribir código de producción, necesitarás java o c++, así que es más una cuestión de tiempo, porque tienes que estudiar pros o java, mientras que python y R son sólo "por diversión".
https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d
Buscando VAR, VECM, el paquete vars, y en él, como siempre, las referencias. Límites de entrada por SETAR
Enganchado, pero google para ayudar - la literatura y las aplicaciones específicas ....
Si superas el margen, tal vez lo compartas. Es tan bonito sin la extensión, que es difícil apartar los ojos de él.
He leído, pero lo he hecho antes y he mostrado los incrementos, pero lo hice a través de RF. Ya lo he hecho con RF. Los residuos allí son realmente más pequeños que el spread, a menudo. Con LR los residuos deberían ser mayores (en pips), porque RF almacena con demasiada potencia todas las dependencias. Pero es un tema interesante en sí mismo, llegué a él de forma intuitiva, sin saber que ya se habían inventado esos modelos :)
Y ejemplos de operaciones, puramente visuales (aún no lo he comprobado con el bot)
Los saldos parecen tener una distribución normal, pero no se ha seleccionado del todo la ciclicidad
y así es como el modelo se rompe en el OOS... recalcula cada 50 barras y se rompe de nuevo, casi inmediatamente :)
Por alguna razón ignoras las pruebas, mientras que la cointegración es impensable sin ellas. Al fin y al cabo, la idea principal de la cointegración es tomar decisiones comerciales sobre una serie ESTACIONARIA, y dicha serie es predecible, a diferencia de la no estacionaria. La prueba proporcionará pruebas de previsibilidad en la historia.
Pues bien, vea en el vídeo cómo una serie ESTACIONARIA en la muestra de entrenamiento se convierte en una no estacionaria en la de avance. ¿Por qué meter un montón de pruebas cuando se puede ver todo
Se emite en desviaciones estándar . En los nuevos datos aparecen muchas desviaciones de 3+, lo que indica que el modelo vectorial no funciona tan bien como el estándar
Haré otra representación un poco más tarde, ya se ve un poco más interesante :)
Por alguna razón ignoras las pruebas, mientras que la cointegración es impensable sin ellas. Al fin y al cabo, la idea principal de la cointegración es tomar decisiones comerciales sobre una serie ESTACIONARIA, y dicha serie es predecible, a diferencia de la no estacionaria. La prueba proporcionará pruebas de previsibilidad en la historia.
Digámoslo así:
En la captura de pantalla, el rojo es sólo incrementos con lag 55 del par actual, el verde es una aproximación... hmm... llamémoslo autoregresión no lineal vectorial (usando incrementos del par actual y de otro par de divisas (GBPUSD), varios diferentes). los incrementos predichos con lag 55 del par actual, naturalmente, no se alimentan a la entrada del modelo, sino sólo a la salida.
Todo parece estar bienen el historial .
Más adelante en el vídeo veremos cómo funciona el modelo en el avance.
En el vídeo anterior no quedó muy claro lo de las desviaciones estándar: tomamos la diferencia entre 2 curvas y la utilizamos para calcular las desviaciones.