Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1590
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
Leí este artículo hace unos 5 años, es interesante, pero no hay mucha información adicional, el autor está haciendo algo con OHLC para conseguir una métrica de volatilidad más "conveniente", no es nuevo en principio, en el clásico de Dacorogna "An introduction to high-frequency finance" allá por el siglo pasado se recomendaba tomar los rendimientos absolutos medios, no los valores RMS como medida de volatilidad. La predictibilidad de la volatilidad es también un hecho conocido. Depende de dos factores, la estacionalidad y la inercia, que explican el 95% de su influencia. Pero aunque alineemos los rendimientos (logarítmicos) según la volatilidad no dará nada, necesitamos un signo para operar, y no afecta a la distribución de ninguna manera.
Por ejemplo, si se toma un ruido gaussiano, es obvio que no se pueden predecir las siguientes utilizando las muestras anteriores, independientemente de la estacionariedad, pero si se ordena esa serie, por ejemplo, lo que no cambiará la distribución pero la hará completamente predecible, entonces se puede jugar con la volatilidad dinámica dentro de un amplio rango y hacerla no estacionaria pero todavía fácilmente predecible.
Tiene cierto sentido hacer todo esto no en un marco temporal, sino en algún segmento de ellos, comparando la imagen resultante con lo que debería ser en una SB gaussiana con varianza similar.
Si es necesario ser estrictos, podemos considerar que estamos hablando de la falta de estacionariedad en el sentido amplio de los logaritmos de los rendimientos, por ejemplo.
https://github.com/BlackArbsCEO/mixture_model_trading_public/blob/master/notebooks/current_public_notebooks/03_Are_Gaussian_Mixture_Components_More_Stationary_2019-01-01.ipynb
Tiene cierto sentido hacer todo esto no en un marco temporal, sino en un determinado segmento de ellos, comparando la imagen resultante con lo que debería ser en una SB gaussiana con varianza similar.
En cuanto a la distribución de los retornados, es muy importante que cuanto mayor sea el plazo, más gaussiana será la distribución, por la trivial razón de promediar (todos recordamos que la agregación de distribuciones no normales da una normal). Los eventos "aleatorios" reales en el mercado son sólo cambios de una mejor (askbid), al colocar/retirar una orden o un trato; la agregación de ticks incluso en un minuto cambia la distribución, haciéndola más cercana a la distribución gaussiana (para hacer la distribución gaussiana a partir de la uniforme se necesitan 12 iteraciones), la distribución real del mercado es sólo la distribución de ticks, y no es normal en absoluto.
En cuanto a la distribución de los retornados, es muy importante que cuanto mayor sea el plazo, más gaussiana será la distribución, por la trivial razón de promediar (todos recordamos que la agregación de distribuciones no normales da una distribución normal). Los verdaderos eventos "aleatorios" en el mercado son sólo cambios de un best(askbid), al colocar/retirar una orden o realizar una operación, la agregación de ticks incluso en un minuto cambia la distribución haciéndola más cercana a la distribución gaussiana (12 iteraciones son suficientes para convertir la distribución uniforme en la gaussiana), la distribución real del mercado es sólo la distribución de ticks, y no es normal en absoluto.
Para las monedas ni siquiera es real. Más exactamente, no es real en absoluto, y no es "normal" en absoluto (tampoco en términos de distribuciones).
Porque no hay centro. No hay una única fuente de garrapatas ni garantía de que lleguen al usuario. No sólo el "flujo hipotético de ticks" de un determinado servidor es producto de la agregación de otros servidores, sino que este flujo también se ve diluido tanto por el servidor como por el terminal por razones técnicas.
Las características de las estadísticas de las garrapatas dependen del DC específico, de sus compañeros y de su software.
En cuanto a la distribución de los retornados, es muy importante que cuanto mayor sea el plazo, más gaussiana se vuelve la distribución, por la banal razón de promediar (todos recordamos que la agregación de distribuciones no normales da una distribución normal). Los verdaderos eventos "aleatorios" en el mercado son sólo cambios de un best(askbid), al colocar/retirar una orden o realizar una operación; la agregación de ticks incluso en un minuto cambia la distribución haciéndola más cercana a la distribución gaussiana (12 iteraciones son suficientes para cambiar la distribución gaussiana uniforme), la distribución real del mercado es sólo la distribución de ticks, y no es normal en absoluto.
Sin embargo, a nivel de ticks, un modelo más correcto es alguna variación del proceso Poisson, por ejemplo, un proceso Poisson compuesto con una distribución discreta de saltos y una intensidad no constante (no una función de tiempo constante)). Sin embargo, esto ignora la discreción del tiempo real de negociación.
La forma del histograma depende de las zonas que encontremos (Maxim Dmitrievsky escribió justo arriba sobre las mezclas). A veces incluso resulta en un histograma de doble joroba.
Como no sé cómo transferir un modelo completamente markoviano a metac, la idea es agrupar todos los componentes estacionales en Python, luego entrenar un MOH simple para predecir los clusters, probar en una muestra de prueba. Y transfiérelo a la terminal. Esta será la bomba número 3.
Se espera que cada conglomerado tenga una varianza y un matroidismo constantes.
Como no sé cómo transferir un modelo completamente markoviano a metac, la idea es agrupar todos los componentes estacionales en Python, luego entrenar un MOH simple para predecir los clusters, probar en una muestra de prueba. Y transfiérelo a la terminal. Esta será la bomba número 3.
Se espera que cada conglomerado tenga una varianza y una matrona constantes.
Como no sé cómo transferir un modelo completamente markoviano a metac, la idea es agrupar todos los componentes estacionales en Python, luego entrenar un MOH simple para predecir los clusters, probar en una muestra de prueba. Y transfiérelo a la terminal. Esta será la bomba número 3.
Se espera que cada conglomerado tenga una varianza y una matrona constantes.
Aun así, a nivel de ticks un modelo más correcto es alguna variación del proceso de Poisson, por ejemplo, proceso de Poisson compuesto con distribución discreta de saltos e intensidad variable (NO función de tiempo constante)).
no va a funcionar por muchas razones, se ha investigado durante mucho tiempo y ni siquiera se trata de filtrado de garrapatas por el servidor DC
esto es lo que sé donde buscarhttps://www.mql5.com/ru/forum/102066/page9#comment_2968124 en esta foto donde la flecha es un atípico
estos ticks siempre estarán ahí, así es como funciona el mercado - por qué se producen es otra cuestión
y si sigue su suposición sobre los saltos en los ticks, considerará estos picos, pero estos ticks simplemente no forman la dirección de los movimientos posteriores, a lo sumo ocurren en el alto/bajo de una barra
No he podido encontrar capturas de pantalla del indicador de ticks de Prival, es muy bueno en la representación de estos picos - por lo que no tiene que adivinar de dónde viene el tick. Una posibilidad es que MM a menudo mezcla asc / bid con un retraso en el flujo de cotización, pero esto es una cotización real! )))
La Bomba #5 es una tendencia con tempos específicos, que se repiten a intervalos regulares. Pero también hay que pasar por el número 4
Ya está en la bomba número 2 :)