Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2322
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
En mi opinión, para nuestros propósitos el artículo no es muy bueno, sólo lo elegí como ilustración de un enfoque que combina multifractalidad y estocasticidad.
A grandes rasgos, multifractal = formado por muchos fractales y el espectro son las dimensiones de estos fractales base. Pero podemos jugar con la noción de "espectro" y llegar a algo que nos convenga, por ejemplo, una función que muestre el grado de diferencia con respecto a SB a diferentes escalas.
La escala da un mayor rango más pequeño, el espectro, u otro método de detección de la no-SSB seguirá mostrando lo que muestra, pero no lo conectará a las causas de la no-SSB de ninguna manera. En general, el acceso al control de cualquier cosa y el procesamiento de estos datos probablemente dará algunas posibilidades. Pero no van a entrar en el cerebro de todo el mundo)))
La escala da un mayor rango inferior, el espectro, u otro método de detección de la no-SSB seguirá mostrando lo que muestra, pero de ninguna manera lo vinculará a las causas de la no-SSB. En general, el acceso al control de cualquier cosa y el procesamiento de estos datos probablemente dará algunas posibilidades. PERO no va a entrar en el cerebro de todos)))
No nos dejan entrar en los servidores de las empresas de corretaje y ECN) Tienen que inventar todo ellos mismos).
https://www.mql5.com/ru/forum/325441/page15#comment_20589051
es decir, escribir y depurar un bot no debería ser un problema
Buen artículo. El planteamiento no está bien cubierto, sólo los resultados y medias pistas de cómo se hace, pero los resultados son impresionantes.
Buen artículo. El enfoque no está bien divulgado, sólo los resultados y medias pistas de cómo se hace, pero los resultados son impresionantes.
No me metí en ello, pero parece que mediante algún algoritmo se hace un gran número de posibles extensiones de la serie, de las cuales se elige la que por métrica dada mejor se ajusta a la serie original. El problema lo veo en la ambigüedad del resultado de dicha "predicción":
1) Si se dan varias métricas, habrá una "predicción" diferente para cada una de ellas. Si hace una métrica de compromiso entre varias, la "predicción" dependerá de su dispositivo particular.
2) La "predicción" dependerá en gran medida del algoritmo para construir un conjunto de posibles extensiones de la serie.
La idea de alejarse de los modelos paramétricos es comprensible y atractiva, pero no se aplica aquí (espero que quede claro por qué).
No me he metido en ello, pero parece que mediante algún algoritmo se realizan un gran número de posibles ampliaciones de series, y luego se elige la que mejor se ajusta a la serie inicial según la métrica dada. El problema lo veo en la ambigüedad del resultado de dicha "predicción":
1) Si se dan varias métricas, habrá una "predicción" diferente para cada una de ellas. Si hace una métrica de compromiso entre varias, la "predicción" dependerá de su dispositivo particular.
2) La "predicción" dependerá en gran medida del algoritmo para construir un conjunto de posibles extensiones de la serie.
La idea de alejarse de los modelos paramétricos es comprensible y atractiva, pero no se aplica aquí (espero que quede claro por qué).
Según tengo entendido, los autores no revelan demasiado sobre el algoritmo en sí, y se despachan con máximas como
Por lo tanto, el método GenericPred utiliza dos reglas básicas:
R1: Intente siempre mantener el valor de una medida no lineal lo más estable posible durante la predicción(Fig. 3).
R2: El nuevo valor debe elegirse entre un conjunto de valores potenciales generados a partir de una distribución de probabilidad.
La predicción debe realizarse paso a paso, ya que el valor predicho en el paso actual es necesario para determinar el rango de cambio válido para el siguiente paso.
Por lo que puedo adivinar, al principio se selecciona algún componente lineal logístico, y luego en cada paso se modela el componente no lineal, siendo el criterio principal la estabilidad de algún conjunto de características estocásticas de la serie. En general es impreciso, pero el resultado es impresionante.
En mi opinión, el enfoque es algo similar al utilizado en el paquete "prophet" de R.
Veo que hay interés en este tema...
Que yo recuerde hubo un intento de implementar este algoritmo en R, pero los artículos ya no están abiertos, al menos para mí, prueba
Veo que hay interés en este tema...
Que yo recuerde hubo un intento de implementar este algoritmo en R, pero los artículos ya no están abiertos, al menos para mí, prueba
Hay un gran sitio que archiva casi todo Internet.
Aquí están las copias del primero de sus artículos
https://web.archive.org/web/20160701000000*/https://mechanicalforex.com/2016/03/using-r-in-trading-time-series-forecasting-using-chaos-part-1.html