L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1792
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
Oups. Une pensée intéressante. Sélectionnez/séparer les sections d'une série en fonction de la mesure dans laquelle le modèle décrit la section. C'est seulement ainsi que nous pouvons dire si le modèle décrit bien ou mal la série. On ne peut pas obtenir de corrélation en un coup d'œil. Mais il y a quelque chose là-dedans. La question / tâche n'est pas de prédire mais de changer le comportement de la série.
Les termes et leur absence d'ambiguïté facilitent la vie)))) J'ai SB initialement dans la gamme de moins à plus infini dans un temps infini et seulement ensuite les règles. Le Wiener's était immédiatement dans les règles)))) apparemment c'est pourquoi il est plus proche.))
Fondamentalement, le matstat habituel est un test d'hypothèses statistiques. Par exemple, si nous n'avons qu'un seul des deux modèles possibles - SB ou Ornstein-Uhlenbeck, nous avons alors un problème de distinction entre deux hypothèses, qui est résolu par le test bien connu de Dickey-Fuller.
En substance, le matstat habituel est un test d'hypothèse statistique. Par exemple, si nous n'avons qu'un seul des deux modèles possibles - SB ou Ornstein-Uhlenbeck, nous avons alors le problème de la distinction entre deux hypothèses, qui est résolu par le célèbre test de Dickey-Fuller.
C'est une question de surface minimale suffisante pour un test valide)))) Je ne vois pas comment, cependant. Le test DF de stationnarité, comment l'appliquer à l'exactitude de la description du modèle ?
Le test de stationnarité du DF, comment l'appliquer à la justesse de la description du modèle ?
Strictement parlant, c'est incorrect - c'est un test pour la présence d'une racine unitaire (c'est l'hypothèse nulle) contre l'hypothèse qu'il n'y a pas de racine unitaire (c'est l'hypothèse alternative). Il n'est PAS vrai que TOUTE non-stationnarité est identique à la présence d'une racine unitaire - l'exemple d'un processus Ornstein-Uhlenbeck avec des paramètres changeants (divergence) est évidemment non-stationnaire, mais n'est pas un processus autorégressif avec une racine unitaire.
Son applicabilité à notre problème découle de notre hypothèse selon laquelle toute section est soit SB, soit Ornstein-Uhlenbeck, soit une section de commutation entre les deux. De toute évidence, la faible valeur du test de la valeur p suggère que Ornstein-Uhlenbeck est plus approprié que SB et vice versa. Par ailleurs, notre hypothèse selon laquelle seules deux options sont possibles peut ne pas être applicable dans la pratique et nous devrons étendre la liste des modèles.
C'est une question de parcelle minimale suffisante pour un test valide.))
C'est une question compliquée et non triviale, il est donc préférable de la résoudre à l'œil ou par sélection).
Aleksey Nikolayev:
1) Utiliser un modèle pour prévoir les prix.
Comment un modèle stochastique peut-il donner une prédiction ? Il dessinera une trajectoire différente à chaque fois qu'il sera exécuté. Même si c'est similaire.
De manière standard - espérance et probabilités de déviation d'une valeur donnée. Par ailleurs, pour SB, par exemple, cette prédiction n'a pas beaucoup de sens. Mais pour un processus stationnaire (ou stationnaire par morceaux), cela a du sens. Par exemple, pour le processus d'Ornstein-Uhlenbeck (sur lequel j'ai écrit), la prédiction est de revenir à la moyenne.
Strictement parlant, c'est incorrect - il s'agit d'un test pour une racine unitaire (c'est l'hypothèse nulle) contre l'hypothèse qu'il n'y a pas de racine unitaire (c'est l'hypothèse alternative). Il n'est PAS vrai que TOUTE non-stationnarité est identique à la présence d'une racine unitaire - l'exemple d'un processus Ornstein-Uhlenbeck avec des paramètres changeants (divergence) est évidemment non-stationnaire, mais n'est pas un processus autorégressif avec une racine unitaire.
Son applicabilité à notre problème découle de notre hypothèse selon laquelle toute section est soit SB, soit Ornstein-Uhlenbeck, soit une section de commutation entre les deux. De toute évidence, la faible valeur du test de la valeur p suggère que Ornstein-Uhlenbeck est plus approprié que SB et vice versa. Par ailleurs, notre hypothèse selon laquelle seules deux options sont possibles peut ne pas être applicable dans la pratique et nous devrons étendre la liste des modèles.
Il s'agit d'un problème compliqué et non trivial, qu'il est préférable de résoudre à l'œil ou par sélection).
Une racine unitaire est la condition qui consiste à trouver des racines d'un polynôme égales (ou inférieures) à un module de l'unité, indiquant la stationnarité. Que la série ne dépasse pas un certain couloir. Aux bords, les racines du polynôme sont 1 ou -1. Si les racines sont plus grandes, la série s'élargit, si elles sont plus petites, la série est dans le couloir. Comment cela peut-il être appliqué à la façon dont le système décrit la série. Nous devrions être capables de trouver un système avec le moins de variables possible qui décrit correctement la série.
L'hypothèse selon laquelle il existe deux états est bien sûr fausse. De même que la mesure d'un seul paramètre d'une certaine stationnarité ne résoudra pas le problème de savoir quand le conseiller expert commence à échouer. Il y a un problème avec une série de grande échelle. A chaque échelle, la série se comporte différemment et l'influence d'une série de grande échelle est souvent négligeable sur les petites, parfois essentielle. En général, il y a un malentendu sur la manière d'appliquer les caractéristiques des séries d'une échelle à d'autres échelles.
Parfois, effectuer les bons réglages à l'œil ou à la main peut influencer considérablement le résultat)))).
https://3dnews.ru/1011653
Je ne comprends toujours pas ce qui est nouveau, si la nouvelle ns a reçu le matériel de l'ancienne ns et qu'elle a reproduit les règles et l'algorithme du résultat de l'ancienne ns. Ou j'ai raté quelque chose)))
Je ne comprends toujours pas ce qui est nouveau, si la nouvelle ns a reçu le matériel de l'ancienne ns et qu'elle a reproduit les règles et l'algorithme du résultat de l'ancienne ns. Ou ai-je manqué quelque chose ?)
Si je comprends bien, le résultat est le code écrit du nouveau programme, qui reproduit le jeu sans fournir de nouvelles / quelconques données à l'entrée.
Une racine unitaire est la condition de trouver les racines d'un polynôme égal (ou inférieur) à un module de l'unité. Que la série ne soit pas plus large qu'un certain couloir. Aux bords, les racines du polynôme sont 1 ou -1. Si les racines sont plus grandes, la série s'élargit, si elles sont plus petites, la série est dans le couloir.
Le concept de racine (polynôme caractéristique) est défini UNIQUEMENT pour les processus autorégressifs. Il y a des raisons de considérer tout processus stationnaire comme autorégressif. Il existe également des processus autorégressifs non stationnaires. Mais il y a beaucoup plus de processus qui ne sont PAS stationnaires et qui ne sont PAS autorégressifs (et qui ne sont en aucun cas réductibles à ceux-ci) - pour eux, raisonner sur les racines n'a aucun sens.
Comment cela peut-il être appliqué à la façon dont le système décrit la série.
C'est une condition nécessaire (mais pas suffisante) et elle ne fonctionne que dans le cadre d'une hypothèse à deux états donnée. Si elle n'est pas satisfaite, alors il n'y a aucun sens à dire que nous avons affaire à une série autre que SB (l'introduction du deuxième état s'est avérée redondante - le prix est toujours similaire à SB). Si elle est satisfaite, nous devons alors vérifier la normalité et l'indépendance des résidus, la signification de la différence des paramètres par rapport à zéro, etc.
Bien, nous devrions trouver un système avec un nombre minimum de variables décrivant suffisamment correctement la série.
Eh bien, oui, en commençant par leur minimum et en augmentant progressivement, en réalisant qu'à un moment donné, tout sera parfaitement "décrit" en raison d'un ajustement excessif dû à une abondance de paramètres.