Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1592
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 sé, es una interpretación complicada. Los retornados del mercado son una mezcla de varias distribuciones, cada una de las cuales puede ser estacionaria. Si separas las moscas de las chuletas, puedes obtener un buen TS.
No discuto, probablemente sí, la cuestión es qué camino es más corto y eficiente. He leído un par de docenas de las primeras páginas del tema de AK, he visto varias veces cómo hace allí tales suposiciones, esencialmente especulaciones, que en mi opinión tachan todo el sentido de la investigación estadística en cuanto a ajustar el modelo al resultado "deseado". Podría estar equivocado, ya que no sé mucho más que la tecnología superior y Google) pero hasta ahora me he desinteresado.
Losrendimientos del mercado son una mezcla de varias distribuciones, cada una de las cuales puede ser estacionaria ésta es la más cercana al cuerpo, es decir, ¿la normal forma parte de ella?
Pero me sigue pareciendo que cualquier distribución puede ser estacionaria sólo hasta que algo cambie en el mercado: estado de ánimo, noticias, tendencia, etc. Si lo tienes en cuenta y aprendes a prepararte, entonces valdrá la pena.
Los retornos del mercado son una mezcla de varias distribuciones, cada una de las cuales puede ser estacionaria, ¿cuál está más cerca del cuerpo, es decir, la normal forma parte de él?
Pero me sigue pareciendo que cualquier distribución puede ser estacionaria sólo hasta que algo cambie en el mercado: estado de ánimo, noticias, tendencia, etc. Si lo tienes en cuenta y aprendes a cocinarlo, creo que merece la pena.
el propio algoritmo de agrupación los hace más normales, por ejemplo, si se trata de una mezcla gaussiana, habrá puntos seleccionados descritos por una gaussiana para cada clúster, con algunos valores atípicos
El principal problema es la comprobación con los nuevos datos
Señores, ¿podrían sugerirnos la neurona más griega para el flytipping?
He dividido la historia en secciones, ahora tengo que tirar de la neurona aquí:
Como puedes ver, no hay realmente ninguna correlación entre los pares.
El comercio de pares es un lastre.
No hay que sacar conclusiones de un trozo de historia. No sé cuál es la lógica del indicador, pero es fácil comprobar la relación - crear un predictor para cada curva y registrar la posición de esta curva en relación con todas las demás curvas, en orden en cada barra, obtendrá 6 predictores con valores de 1-6. Puede intentar establecer un objetivo para cada curva (par de divisas) por separado - si el precio ha subido o bajado, o cómo ha cambiado su posición con respecto a una curva en particular o con respecto a todas las curvas y así sucesivamente - diferentes objetivos aquí, y ver lo que se clasificará mejor, lo que será mejor, y cómo utilizarlo en el comercio.
No hay que sacar conclusiones de un trozo de historia. No sé cuál es la lógica en el indicador, pero para comprobar la relación aquí es simple - crear un predictor para cada curva y registrar la posición de esta curva en relación con todas las demás curvas, justo en orden en cada barra, obtendrá 6 predictores con valores de 1-6. Usted puede tratar de establecer un objetivo para cada curva (par de divisas) - si el precio subió o bajó, o cómo la posición de la curva en contra de una curva en particular o en contra de todas las curvas, y así sucesivamente - diferentes objetivos aquí, y ver lo que será el mejor clasificado, lo que será mejor, y cómo utilizar en el comercio.
Se ha sugerido que la OI puede ayudar mucho si hay un proceso estacionario
¿en qué sentido?
No es que un proceso estacionario pueda convertirse en no estacionario, sino que puede convertirse repentinamente en no estacionario.
Se ha sugerido que la OI puede ayudar mucho si hay un proceso estacionario
¿en qué sentido?
porque lo malo no es que un proceso estacionario pueda convertirse en no estacionario, sino que puede convertirse repentinamente en no estacionario
Una vez más, la (no) estacionariedad estadística (variabilidad de la distribución temporal) de una(s) serie(s) temporal(es), tiene muy poco que ver con la predictibilidad de los incrementos futuros utilizando MO. El ruido gaussiano es estacionario pero no predecible, ordénalo, añade la heterocausalidad, es predecible pero no estacionario.
El verdadero problema está en la volatilidad del mercado debido a los constantes esfuerzos de la mayoría de los participantes para superar a los demás, debido a que los patrones encontrados en la historia suelen ser ya encontrados por otros y se puede esperar que se reviertan, y las "fuerzas de la naturaleza", es decir, los fundamentales y varios cambios de tiempo de trapo. Es todo muy complicado.
Una vez más, la (no) estacionariedad estadística (variabilidad de la distribución temporal) de la(s) serie(s) temporal(es) está muy débilmente relacionada con la predictibilidad de los incrementos futuros utilizando MO. El ruido gaussiano es estacionario, pero no predecible, ordénalo, añade la heterocausalidad, es predecible pero no estacionario.
El verdadero problema está en la variabilidad del mercado porque la mayoría de los participantes siempre están tratando de superar a los demás, debido a que los patrones que se encuentran en la historia por lo general ya son encontrados por otros y se puede esperar que se inviertan, y las "fuerzas de la naturaleza", es decir, los fundamentos y varios cambios de tiempo. Es todo muy complicado.
¿Qué te hace pensar que el ruido blanco es imprevisible?
Si la serie es estacionaria, no es necesario utilizar incrementos.
¿No se puede aplicar ninguna estrategia plana a este gráfico?
Bueno si es (log)returns entonces no puedo, obviamente no es por el precio))
Una vez más, las MO sólo utilizan incrementos porque la serie temporal original no es estacionaria.
Si las series fueran estacionarias, no habría necesidad de gradientes.
Es a esto "Una vez más, la (no) estacionariedad estadística (variabilidad de la distribución temporal) de la(s) serie(s) temporal(es), tiene muy poco que ver con la predictibilidad de los incrementos futuros usando MO." (с)
No está bien editar tus mensajes con carácter retroactivo cuando ya han sido contestados