![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
El TS y el DS son un invento de la disertación rusa.
El problema es otro. Mi opinión. Aislar el componente determinista del cociente y mirar el residuo. Si el residuo es estacionario, podemos extrapolar el componente determinista. Si no es así, se extrae el componente determinista del residuo .... ¿Es posible conseguir un sistema que funcione así? No en el caso general, no tengo pruebas de ello. Pero en los archivos adjuntos se argumenta que todo funcionará bien si no hay torceduras en la tendencia. Pero se hace alguna sugerencia para este caso para superar también esta molestia.
El TS y el DS son un invento de la disertación rusa.
El problema es otro. Mi opinión. Extraemos el componente determinista del cociente y miramos el residuo. Si el residuo es estacionario, podemos extrapolar el componente determinista. Si no es así, se extrae el componente determinista del residuo ....
Si ha extraído el componente determinista y lo ha eliminado, obviamente tendrá que utilizar otro método de extracción para extraer algo del residuo (a menos que quiera obtener un cero conocido en la salida). Y así en cada paso.
A juzgar por los posts, el colectivo no entiende lo que es un "punto de ruptura". en términos sencillos. Han ajustado el modelo. En cada nueva barra volvemos a ajustar y la nueva coincide con la anterior. Y entonces el nuevo modelo por sus parámetros no coincide con el anterior. Significa que el kotier dentro de la muestra ha cambiado de tal manera que los parámetros del modelo han cambiado. Si los parámetros son buenos, podemos ajustarlos y esperar que todo vaya bien en la siguiente barra. Pero a veces el cociente cambia, por lo que hay que modificar la forma funcional. Además, lo más probable es que la ruptura no se diagnostique a la llegada de un compás, sino que se necesiten varios compases, es decir, pasamos a la pérdida y aquí empieza la canción sobre SL.
Aquí hay un archivo adjunto sobre este problema. En mi opinión, este es el principal problema del comercio: la fractura.El problema, aplicado al trading, es detectar un punto de ruptura (o como quieras llamarlo, yo prefiero la expresión "interrupción de la estacionalidad") lo antes posible, antes de que el SL se dispare. Pero utilizando el método de su anexo, difícilmente podemos hacerlo, aunque sólo sea porque dentro de un modelo lineal no tenemos absolutamente ningún medio para determinar en qué punto preciso de la muestra se produjo la ruptura. Y, como bien señalas, en este modelo casi nunca se diagnostica una ruptura por la llegada de una sola barra, a no ser que esa barra te ponga inmediatamente en un alce.
100% de acuerdo, escribí un Asesor Experto en el mismo curso, modelo adaptativo para la predicción de series de tiempo con fluctuaciones inestables, funciona a lo largo de la tendencia hasta el final, pero la inversión se pierde, en plano se comporta aceptablemente.
Si ha extraído un componente determinista y lo ha eliminado, obviamente, para extraer algo del resto, tendrá que utilizar otro método de extracción (a menos que quiera obtener un cero deliberado en la salida). Y así sucesivamente en cada paso.
¿Por qué uno diferente? No lo entiendo. En la rama de predicción mostré múltiples aplicaciones del filtro Hodrick-Prescott. Demostró que no sirvió de nada. No exprimí nada del colectivo. Pero ahora puedo decir que hubo dos problemas: (1) la queja sobre el filtro, que sospecho es un efecto de borde a la derecha, y (2) tan problemático como el modelo en sí es el uso de la predicción resultante. Si esta cuestión no se resuelve, no tiene sentido especular sobre un método de suavización. Dicho esto, descarto la gestión de la movilidad como método para resolver los problemas de uso de la predicción.
Sobre esta base, he publicado un anexo y un enlace al manual. Ambos puestos son nuevos en el foro y, en mi opinión, muy prometedores.
El problema aplicado al trading es detectar un kink (o como quieras llamarlo, me gusta más la expresión "interrupción de la estacionalidad") lo antes posible, antes de que se dispare el SL. Pero utilizando el método de su anexo, difícilmente podemos hacerlo, aunque sólo sea porque dentro de un modelo lineal no tenemos absolutamente ningún medio para determinar en qué punto preciso de la muestra se produjo la ruptura. Y, como señalas correctamente, en este modelo una torcedura casi nunca se diagnostica por la llegada de una sola barra, a menos que esa barra te haya llevado inmediatamente a un alce.
La idea del anexo es prever mediante múltiples modelos. Diferentes modelos darán un giro en diferentes puntos y debido a eso la previsión se refinará. Creo que sí.
¿Por qué el otro? No lo entiendo.
Lógica simple. Supongamos que tenemos una señal y queremos extraer de ella la componente determinista. Por supuesto, queremos hacerlo de forma óptima, es decir, que el método que utilicemos no dé el mejor resultado en esta señal bajo ninguna circunstancia. Cabe señalar aquí que en este caso debemos introducir el criterio de optimalidad, por el cual impondremos restricciones a los parámetros del algoritmo. Pero se deduce que si lo conseguimos y exprimimos un óptimo del método utilizado, entonces el uso del mismo método con el mismo criterio de optimalidad debe devolver cero en el residuo, porque de lo contrario tenemos una contradicción con el hecho de que los parámetros del paso anterior se calcularon en base al criterio de óptimo...
Aquí hay una casualidad: si no aplicamos el criterio de optimización y simplemente, por ejemplo, filtramos la señal con un filtro estático, entonces en teoría no tenemos derecho a llamar al resultado un componente determinista. ¿Qué es lo determinista? Al fin y al cabo, puedes aplicar un montón de filtros de la misma estructura pero con diferentes parámetros y todos darán resultados diferentes. ¿Cuál de ellos considerar entonces como componente determinista? Todos los conjuntos de parámetros son iguales, siempre que no introduzcamos un criterio de optimalidad.
(1) las afirmaciones sobre el filtro, que sospecho que es un efecto marginal de la derecha
y (2) tan problemático como el propio modelo es el uso de la predicción resultante.
Lógica simple. Supongamos que tenemos una señal y queremos extraer de ella la componente determinista. Por supuesto, queremos hacerlo de forma óptima.
Conocemos el criterio - RMSE. Para no empantanarse con SE. Este criterio nos permite seleccionar los parámetros de suavizado para una muestra concreta. Al cambiar, recalculamos.
Obtenemos un componente determinista en el sentido de que parte del cociente se aproxima mediante una fórmula. A menudo, un diferencial suave, etc. No hay olor a azar. Pero siempre hay un error de aproximación. Y hay otra consideración.
El cociente original no es estacionario. A esta aproximación suave se le resta. Pregunta: ¿dónde está la no estacionalidad? ¿Ha desaparecido? ¿Es el residuo estacionario? Si el residuo es estacionario, podemos hacer una predicción. Si no es estacionario, no podemos hacer previsiones y tenemos que seguir alisando a base de sacar pecho de la no estacionariedad. El valor absoluto del residuo disminuye y después del tercer alisado el diferencial suele ser una fracción de un pip, por lo que finalmente puede olvidarse de él.
Lógica simple. Supongamos que tenemos una señal y queremos extraer de ella la componente determinista. Por supuesto, queremos hacerlo de forma óptima.
Conocemos el criterio - RMSE. Para no empantanarse con SE. Este criterio nos permite seleccionar los parámetros de suavizado para una muestra concreta. Al cambiar, recalculamos.
Obtenemos un componente determinista en el sentido de que parte del cociente se aproxima mediante una fórmula. A menudo, un diferencial suave, etc. No hay olor a azar. Pero siempre hay un error de aproximación. Y hay otra consideración.
El cociente original no es estacionario. A esta aproximación suave se le resta. Pregunta: ¿dónde está la no estacionalidad? ¿Ha desaparecido? ¿Es el residuo estacionario? Si el residuo es estacionario, podemos hacer una predicción. Si no es estacionario, no podemos hacer previsiones y tenemos que seguir alisando a base de sacar pecho de la no estacionariedad. Teniendo en cuenta que el residuo disminuye en valor absoluto y que después del tercer alisado el diferencial suele ser de un pip, podemos finalmente escupirlo.
Finalmente, podemos considerar que el propio procedimiento iterativo es el método óptimo para determinar la componente determinista. Lo principal es que debe conducir al ruido blanco estacionario en la salida, es decir, no sólo hay que eliminar la no estacionariedad, sino también la autocorrelación de los residuos, de lo contrario la previsión no tendrá ningún valor. En resumen, el problema es conocido desde hace tiempo en esta formulación, pero no he visto su solución para los Foros en acceso abierto. Pero incluso si es así, ¿quién puede decir que la forma del componente determinista en la ventana de análisis es estacionaria en sí misma, es decir, que no cambiará cuando se desplace la ventana? Y si no lo hace, entonces la predicción no tiene valor.
Y si no, el pronóstico no tiene valor.
El ideal no es alcanzable.
Veamos un plan como ejemplo.
Tomemos una máquina con T=10. Para mí son 10 variables independientes tomadas en el cálculo con coeficiente constante = 0,1.
Una vez contado, el error de ajuste es de más de 100 pips para H1.
¿Cuál es el problema? Obviamente, el coeficiente constante.
Tomamos la regresión para 10 valores de retardo y contamos los coeficientes. No son iguales a 0,1 El error es menor, pero todavía unos 100 pips.
Siguiente pregunta. ¿Por qué 10 variables independientes?
A continuación, ¿por qué una combinación lineal de estas variables?
A lo que quiero llegar en este punto del razonamiento.
Hay que ajustar: coeficientes, número de variables independientes, forma funcional.
¿Eso es todo?
No lo es.
Planteamos el concepto de modelo adaptativo al mercado, pero la pregunta que surge es ¿qué vemos en el mercado o qué tomamos del mercado?
Si coges EViews, hay un conjunto de pruebas que te permiten aislar un conjunto de parámetros más amplio que el anterior para aproximarse. casi completamente a este conjunto de parámetros que mostré en la rama de predicción.
Así es. Eso es todo lo que queda:
Адаптировать [...] коэффициенты, кол-во независимых переменных, функциональную форму
=) sigue, sigue) no escucho mucho, no sé mucho.