L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2566
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
https://www.mql5.com/ru/forum/375928/page2
si 0 ≤ H < 0,5 - les prix sont des fractales, la validité de la FMH est confirmée, il y a des " queues lourdes " dans la distribution des variables, des séries antipersistantes, c'est-à-dire une corrélation négative dans les variations de prix, un bruit rose avec des changements fréquents de direction des prix ;Vorontsov est probablement le meilleur expert du ministère de la défense en Russie. Le cours est donc forcément bon, mais parce qu'il est destiné aux informaticiens, il omet des mathématiques fondamentales et importantes pour nous. J'ai remarqué à plusieurs reprises que pour l'application des méthodes mathématiques dans le trading, peu d'entre elles conviennent dans leur forme de base, simplifiée.
La MO est basée (voir par exemple Tibshirani) sur l'hypothèse qu'il existe une distribution conjointe constante des prédicteurs et des réponses P(X,Y). A partir de celle-ci, on peut calculer la probabilité conditionnelle Py(Y|X), à partir de laquelle on peut calculer la régression Y=f(X). Finalement, cette régression est approximée par certains modèles MO. Dans le monde physique, cette théorie fonctionne plus ou moins bien. Mais pas dans le commerce. Il s'avère queP(X,Y) change de manière imprévisible avec le temps (non-stationnarité) et toute la théorie s'effondre un peu.
L'approche la plus courante consiste à ignorer purement et simplement la non-stationnarité, puis à s'étonner des résultats et à se plaindre du MO).
Il est important de comprendre exactement : "non-stationnarité" de quoi ? et de ne pas descendre à la non-stationnarité de la série temporelle elle-même. Vous pouvez probablement ignorer la non-stationnarité du quotient lui-même.
La pierre angulaire est la probabilité conditionnelle Py(Y|X).
Au lieu de la probabilité conditionnelle, il est plus pratique d'utiliser le "pouvoir prédictif" du prédicteur par rapport à un enseignant particulier.
J'ai introduit une mesure de cette capacité prédictive et j'ai exécuté une fenêtre sur BP, en tapant les statistiques de 2000 exemples. Je noterai spécifiquement qu'il n'est pas du tout question de modèles. Je cherche une paire prédicteur-enseignant.
Voici une partie des résultats : la colonne est un seul prédicteur, les lignes de résumé sont données : capacité prédictive moyenne, écart type et % pour la commodité.
Nous voyons que parmi les prédicteurs, il y a un prédicteur avec un rapport sd/moyen d'environ 10%. Mais remarquablement, je n'ai PAS rencontré de prédicteurs dont ce pourcentage est supérieur à 100%.
Le défi de la conception consiste donc à trouver un ensemble de prédicteurs pour un enseignant particulier qui se limiterait à un rapport sd/moyen de 10%, ou de préférence de 5%, qui peut être négligé. La stabilité de la prévisibilité est la pierre angulaire d'un système de négociation.
google la phrase mot à mot
"
Ils'avère que le meilleur prédicteur de la valeur future du niveau de lasérie est sa valeur actuelle"
Il est important de comprendre précisément : "non-stationnarité" de quoi ? et de ne pas sauter à la non-stationnarité de la série temporelle elle-même. Vous pouvez probablement ignorer la non-stationnarité du quotient lui-même.
La pierre angulaire est la probabilité conditionnelle Py(Y|X).
Au lieu de la probabilité conditionnelle, il est plus pratique d'utiliser le "pouvoir prédictif" du prédicteur par rapport à un enseignant particulier.
J'ai introduit une mesure de cette capacité prédictive et j'ai exécuté une fenêtre sur BP, en tapant les statistiques de 2000 exemples. Je noterai spécifiquement qu'il n'est pas du tout question de modèles. Je cherche une paire prédicteur-enseignant.
Voici une partie des résultats : la colonne est un seul prédicteur, les lignes de résumé sont données : capacité prédictive moyenne, écart type et % pour la commodité.
Nous voyons que parmi les prédicteurs, il y a un prédicteur avec un rapport sd/moyen d'environ 10%. Mais remarquablement, je n'ai PAS rencontré de prédicteurs dont ce pourcentage est supérieur à 100%.
Le défi de la conception consiste donc à trouver un ensemble de prédicteurs pour un enseignant particulier qui se limiterait à un rapport sd/moyen de 10%, ou de préférence de 5%, qui peut être négligé. La stabilité de la capacité de prédiction est la pierre angulaire d'un système de trading.
Il est important de comprendre précisément : "non-stationnarité" de quoi ? et de ne pas sauter à la non-stationnarité de la série temporelle elle-même. Vous pouvez probablement ignorer la non-stationnarité du quotient lui-même.
La pierre angulaire est la probabilité conditionnelle Py(Y|X).
Au lieu de la probabilité conditionnelle, il est plus pratique d'utiliser le "pouvoir prédictif" du prédicteur par rapport à un enseignant particulier.
J'ai introduit une mesure de cette capacité prédictive et j'ai exécuté une fenêtre sur BP, en tapant les statistiques de 2000 exemples. Je noterai spécifiquement qu'il n'est pas du tout question de modèles. Je cherche une paire prédicteur-enseignant.
Voici une partie des résultats : la colonne est un seul prédicteur, les lignes de résumé sont données : capacité prédictive moyenne, écart type et % pour la commodité.
Nous voyons qu'il y a un prédicteur avec un rapport sd/mean d'environ 10% parmi les prédicteurs. Mais remarquablement, je n'ai PAS rencontré de prédicteurs dont ce pourcentage est supérieur à 100%.
Le défi de la conception consiste donc à trouver un ensemble de prédicteurs pour un enseignant particulier qui se limiterait à un rapport sd/moyen de 10%, ou de préférence de 5%, qui peut être négligé. La stabilité du prédicteur est la pierre angulaire d'un système de négociation.
Sans stationnarité des séries, les calculs statistiques tels que le vôtre peuvent être dénués de sens - les valeurs de l'échantillon peuvent ne pas converger vers les valeurs réelles. Par exemple, il n'est pas difficile de penser à un exemple où la corrélation d'échantillon des incréments adjacents serait non nulle, mais où la corrélation réelle serait nulle.
PS.
La stationnarité est comprise "au sens étroit" - distributions conjointes indépendantes dans le temps.
La stationnarité peut être incomplète - par exemple, elle ne concerne que les distributions conjointes des incréments (processus avec incréments stationnaires).
Il est bien sûr correct de parler de stationnarité d'une pente et non d'une série qui n'est qu'une des réalisations d'un processus donné. Mais nous ne sommes pas à un examen, donc cela n'a pas d'importance).
La stationnarité est souvent comprise comme une variante "au sens large". Ils ne se souviennent que de la constance de la moyenne et de la variance, oubliant la condition sur l'ACF. Dans tous les cas, cette stationnarité n'est pas suffisante dans les MO (elle sera suffisante pour les modèles linéaires).
C'est juste un élément de l'art de l'artisan en MO, trouver ces connexions. Je fais quelque chose de similaire sur la base de mon expérience. Ils recherchent souvent les dépendances par le biais de l'entropie croisée, ce qui consomme des ressources. Est-ce plus rapide pour vous ?
Environ une seconde par prédicteur (XEON-1620).
Sans la stationnarité des séries, les calculs statistiques tels que le vôtre peuvent être dénués de sens - il peut ne pas y avoir de convergence des valeurs échantillonnées vers les valeurs réelles. Par exemple, il n'est pas difficile de penser à un exemple où la corrélation d'échantillon des incréments adjacents est non nulle, mais où la corrélation réelle est nulle.
PS.
La stationnarité est comprise "au sens étroit" - distributions conjointes indépendantes dans le temps.
La stationnarité peut être incomplète - par exemple, elle ne concerne que les distributions conjointes des incréments (processus avec incréments stationnaires).
Il est bien sûr correct de parler de stationnarité d'une pente et non d'une série qui n'est qu'une des réalisations d'un processus donné. Mais nous ne sommes pas à un examen, donc cela n'a pas d'importance).
La stationnarité est souvent comprise comme une variante "au sens large". Ils ne se souviennent que de la constance de la moyenne et de la variance, oubliant la condition sur l'ACF. Dans tous les cas, cette stationnarité n'est pas suffisante dans les MO (elle sera suffisante pour les modèles linéaires).
Je ne suis pas intéressé par le quotient lui-même. Je m'intéresse à la capacité du prédicteur à prédire l'enseignant. Pour moi, la plus grande erreur de la grande majorité des commerçants est de tenter de résoudre le problème du kotir lui-même. Et nous avons besoin de la prédiction de l'enseignant. C'est un problème complètement différent.
Je ne suis pas intéressé par le cotier lui-même. Je m'intéresse à la capacité du prédicteur à prédire l'enseignant. Pour moi, la plus grande erreur de la grande majorité des commerçants est d'essayer de résoudre les problèmes du kotir lui-même. Et nous avons besoin de la prédiction de l'enseignant. C'est un problème complètement différent.
Qu'est-ce que cette "prédiction de l'enseignant" ?