Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1384

 
Vitaly Muzichenko:

Lástima que no se pueda dar un "Me gusta".

Puedes pagar sin más (es una broma).

 
elibrarius:

Yuri también lo hace bien con los incrementos simples

No uso gradientes).
 
Maxim Dmitrievsky:

el precio en el mercado refleja el equilibrio de la oferta y la demanda, sobre todo en diferentes momentos históricos

hay otro problema: ¿cuánta historia debe analizarse en el MO?

si utilizamos alguna constante Bars = 1000

¿No serán datos poco fiables para el aprendizaje?

 
Maxim Dmitrievsky:

x.append((SD.historia[i-j][c.c]/SD.historia[i][c.c]-1)*1000)

esto no tiene sentido - cada cadena caliente subsiguiente contiene la mitad de la información útil de la anterior, es decir, 1: están fuertemente correlacionadas, 2: la cadena caliente con mayor retardo contiene toda la varianza de la cadena caliente anterior, es decir, no dan ningún incremento de información

el resultado será: la importancia del retornado con mayor retardo será la mayor (más varianza, más ganancia de información), y este retornado contiene toda la varianza de otras características

En una tendencia larga = sí. Y la importancia, cuanto más lejos, más fuerte es la correlación, ya que todos crecen en la misma dirección.

Y en esta situación:


La 20ª barra está al mismo nivel que la 0ª, pero las barras 5ª y 10ª contienen más información que la 20ª. Y hay correlación excepto en los 2-3 vecinos.

Hay muchas situaciones y hay que analizar todos los compases.

Como alternativa, puedes adelantar la serie como hizo el creador de esta rama (en su blog).

 
Maxim Dmitrievsky:

x.append((SD.historia[i-j][c.c]/SD.historia[i][c.c]-1)*1000)

esto no tiene sentido - cada cadena caliente subsiguiente contiene la mitad de la información útil de la anterior, es decir, 1: están fuertemente correlacionadas, 2: la cadena caliente con mayor retardo contiene toda la varianza de la cadena caliente anterior, es decir, no dan ningún incremento de información

el resultado será: el retorno con el mayor retardo tendrá la mayor importancia (más varianza, más ganancia de información), y este retorno contiene toda la varianza de otras características

Espeluznante))
Un análogo de lo que estoy haciendo es una foto.
 
Igor Makanu:

Hay otro problema: ¿cuánta historia debe analizarse en el MO?

si utilizamos alguna constante Bars = 1000

¿no serán datos poco fiables para el aprendizaje?

Supongo que si dividimos el precio en niveles, entonces podemos calcular la profundidad media de la historia por nivel, empezando por cuando el precio llegó a él y terminando cuando se fue

 
Yuriy Asaulenko:
No uso incrementos).

SD.historia[i-j][c.c]/SD.historia[i][c.c]

Son incrementos relativos. Sólo los llamas por otros nombres.

 
elibrarius:

En una tendencia larga = sí. Y la importancia, cuanto más larga es la tendencia, más fuerte y la correlación es, ya que todos están creciendo en la misma dirección.

Y en esta situación:


La 20ª barra está al mismo nivel que la 0ª, pero la 5ª y la 10ª llevan más información que la 20ª. Y hay correlación excepto en los 2-3 vecinos.

Hay muchas situaciones y hay que analizar todos los compases.

Como opción - puedes adelgazar la serie como lo hizo el creador de esta rama (en su blog).

significa que con el aumento de las muestras habrá una correlación máxima, si se promedia

localmente a nadie le interesa.

 
Yuriy Asaulenko:
Espeluznante))

Bien, calcula la correlación entre tus predictores, en toda la muestra

y luego tirarlos todos )

 
Maxim Dmitrievsky:

Bien, calcula la correlación entre tus predictores, en toda la muestra

y luego tirarlos todos )

Te equivocas. Esta es la única manera de hacerlo.