L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 1384
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Dommage que vous ne puissiez pas donner un "j'aime".
Vous pouvez simplement payer (je plaisante).
Yuri se débrouille bien avec des incréments simples aussi.
le prix sur le marché reflète l'équilibre entre l'offre et la demande, le plus souvent à des moments historiques différents
Il y a un autre problème : quelle quantité d'histoire doit être analysée dans la MO ?
si nous utilisons une constante Bars = 1000
Ne s'agira-t-il pas de données peu fiables pour l'apprentissage ?
x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)
le résultat sera le suivant : l' importance de la caractéristique de retour avec le plus long retard sera la plus grande (plus de variance, plus de gain d'information), et cette caractéristique de retour contient toute la variance des autres caractéristiques.
Dans une tendance longue = oui. Et plus l'importance est grande, plus la corrélation est forte, car tout le monde croît dans la même direction.
Et dans cette situation :
La 20e mesure est au même niveau que la 0e, mais les 5e et 10e mesures contiennent plus d'informations que la 20e. Et il y a une corrélation sauf pour les 2-3 voisins.Il existe de nombreuses situations et vous devez analyser toutes les barres.
Comme alternative, vous pouvez diluer la série comme l'a fait le créateur de cette branche (dans son blog).
x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)
le résultat sera le suivant : le rendement avec le plus grand décalage aura la plus grande importance (plus de variance, plus de gain d'information), et ce rendement contient toute la variance des autres caractéristiques.
Il y a un autre problème : quelle quantité d'histoire doit être analysée en MO ?
si nous utilisons une constante Bars = 1000
Ne s'agit-il pas de données peu fiables pour l'apprentissage ?
Je suppose que si nous décomposons le prix en niveaux, nous pouvons alors calculer la profondeur moyenne de l'historique par niveau, en commençant par le moment où le prix est arrivé et en terminant par le moment où il est reparti.
Je n'utilise pas d'incrémentations).
SD.histoire[i-j][c.c]/SD.histoire[i][c.c]
Il s'agit d'incréments relatifs. Vous les appelez juste par d'autres noms.
Dans une tendance longue = oui. Et l'importance, plus la tendance est longue, plus la corrélation est forte, car tout le monde croît dans la même direction.
Et dans cette situation :
La 20e barre est au même niveau que la 0e, mais la 5e et la 10e portent plus d'informations que la 20e. Et il y a une corrélation sauf pour les 2-3 voisins.Il existe de nombreuses situations et il faut analyser toutes les barres.
En option, vous pouvez éclaircir la série comme l'a fait le créateur de cette branche (dans son blog).
cela signifie qu'avec des échantillons croissants, il y aura une corrélation maximale, si vous faites une moyenne.
localement, personne n'est intéressé.
Flippant.))
Eh bien, calculez la corrélation entre vos prédicteurs, sur l'ensemble de l'échantillon.
et ensuite les jeter tous)
Eh bien, calculez la corrélation entre vos prédicteurs, sur l'ensemble de l'échantillon.
et ensuite les jeter tous)