Regresión Bayesiana - ¿Alguien ha hecho un EA utilizando este algoritmo?
En primer lugar se utilizó una bolsa normal, en segundo lugar probablemente los datos principales que se alimentaron fueron la copa del mercado, además se pueden obtener volúmenes separados allí, y en tercer lugar fue la criptomoneda.
El Pdf tiene barba, no creo que sea tan fácil ahora, es mucho más difícil comerciar.
Pero creo que todavía es posible pellizcar.
Si quieres hacer tal cosa con forex, bebe agua fría y te diré enseguida que no funcionará con un 99% de probabilidad.
En primer lugar, se utilizó un intercambio normal, en segundo lugar, probablemente el principal dato que se alimentó es una tasa de mercado, además de que allí se pueden obtener volúmenes separados, y en tercer lugar, es una criptomoneda.
El Pdf tiene barba, no creo que sea tan fácil ahora, es mucho más difícil comerciar.
Pero creo que todavía es posible pellizcar.
Si quieres hacer algo así con forex, bebe agua fría, puedo decirte ahora mismo que no funcionará con un 99% de probabilidad.
Gracias.
Interesado en la opinión sobre si esta estrategia se puede utilizar en forex. Tengo muchas opiniones diferentes, sobre todo preciosas, que se basan en la experiencia práctica.
Las opiniones pueden variar, especialmente las basadas en la experiencia práctica son valiosas.
Gracias.
Me interesa la opinión sobre la posibilidad de utilizar esta estrategia en forex. Las opiniones pueden variar, especialmente las basadas en la experiencia práctica son valiosas.
Laregresión bayesiana es similar a la regresión de cresta, pero se basa en la suposición de que el ruido (el error) de los datos se distribuye normalmente, por lo que se supone que ya se tiene un conocimiento general de la estructura de los datos, lo que permite obtener un modelo más preciso (en comparación con la regresión lineal, por supuesto).
De ahí: http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
Debido a la suposición de normalidad de los errores, cuestiono la aplicabilidad de este método a los mercados financieros.
Además, en cualquier modelo en el que la dependencia sólo se estima como un hiperplano, existe la posibilidad de que se pierda un borde no lineal, que es lo que puede hacer que el modelo sea rentable.
- votos: 4
- datareview.info
Debido a la suposición de normalidad de los errores, cuestiono la aplicabilidad de este método a los mercados financieros.
Realmente no depende mucho de la regresión, sino de los datos de entrada.
Incluso reforzaría su punto: el éxito de la modelización no viene determinado por los modelos (si se aplican correctamente), sino por los datos de entrada. En mi experiencia, algunos conjuntos de datos de entrada SIEMPRE conducen a modelos sobreentrenados, y si se trabaja con ellos, es muy posible que se acabe con modelos no entrenados. Creo que el principal mal de la modelización -el sobreajuste- viene determinado por los datos de entrada. Resolver este problema con la regularización es una medida a medias.
A los más prometedores me remito: ada, randomforest, SVM.
El modelo bayesiano, debido a la suposición de normalidad del error (al igual que muchos otros modelos), es mejor no utilizarlo.
Incluso reforzaría su punto: el éxito de la modelización no viene determinado por los modelos (si se aplican correctamente), sino por los datos de entrada. En mi experiencia, algunos conjuntos de datos de entrada SIEMPRE conducen a modelos sobreentrenados, y si se trabaja con ellos, es muy posible que se acabe con modelos no entrenados. Creo que el principal mal de la modelización -el sobreajuste- viene determinado por los datos de entrada. Resolver este problema con la regularización es una medida a medias.
A los más prometedores me remito: ada, randomforest, SVM.
El modelo bayesiano, debido a la suposición de normalidad del error (al igual que muchos otros modelos), es mejor no utilizarlo.
Gracias.
También me interesa la opinión sobre el enfoque comercial descrito en el artículo.
¿Por qué? ¿Cree que la ley de la distribución normal no funciona en los mercados financieros? Si se considera que el ruido (los errores) son cantidades aleatorias, entonces es perfectamente apropiado utilizar la distribución gaussiana para ellos.
Una situación en la que los errores sean realmente normales es rara, y esto requiere una reproducción cuidadosa de la función de densidad de probabilidad para la serie original en el modelo. ¿Será esto posible? Esa es la cuestión. Y si la plausibilidad de las estimaciones de los parámetros del modelo depende de ello, puede fallar. Utilizaría métodos no paramétricos, lo mismo bosque aleatorio, GBM, SVM no lineal.
Pero, en general, las personas que entienden bien la regresión lineal y pueden hacer ingeniería de características han obtenido mejores resultados en los mercados financieros que las adivinanzas al azar.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
La estrategia es capaz de casi duplicar la inversión en menos de 60 días cuando se ejecuta con datos reales.
I. Regresión bayesiana El problema. Consideramos la cuestión de la regresión: se nos dan n puntos de datos etiquetados de entrenamiento (xi,yi) para 1 ≤ i ≤ n con xi ∈ Rd,yi ∈ R para algún fijo d ≥ 1. El objetivo es utilizar estos datos de entrenamiento para predecir la etiqueta desconocida y ∈ R para una determinada x ∈ Rd. El enfoque clásico. Un enfoque estándar de la estadística no paramétrica (véase [3], por ejemplo) consiste en asumir un modelo del siguiente tipo: los datos etiquetados se generan de acuerdo con la relación y = f(x)+, donde es una variable aleatoria independiente que representa el ruido, normalmente asumida como gaussiana con media 0 y varianza (normalizada) 1. El método de regresión se reduce a estimar f a partir de n observaciones (x1,y1),...,(xn,yn)y utilizarla para la predicción futura. Por ejemplo, si f(x) = xTθ∗, es decir, se supone que f es una función lineal, se utiliza la estimación clásica por mínimos cuadrados para estimar θ∗ o f: ˆ θLS ∈argmin θ∈Rd n X i=1 (yi -xT i θ)2 (1) [...]Regresión bayesiana y Bitcoin.pdf