L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2575

Nouveau commentaire
 
Aleksey Nikolayev #:

Dans cet article, Kalman est testé sur des données générées. Je ne suis pas sûr qu'il sera meilleur que la version coulissante LS sur des données réelles.

Non, non, sur des données réelles, tout est juste.

head(Y_)
                EWH      EWZ
2000-08-01 1.947204 2.298111
2000-08-02 1.971071 2.285039
2000-08-03 1.994382 2.278438
2000-08-04 1.994382 2.317404
2000-08-07 2.012648 2.317404
2000-08-08 1.985123 2.317404

Voici le mu et le gamma sur les données Y_.

Kalman <- estimate_mu_gamma_Kalman(Y_)

et le backtest avec lesdonnées Y_. 

return_Kalman <- pairs_trading(Y_["::2003-03"], Kalman$gamma["::2003-03"], Kalman$mu["::2003-03"], 
                               "Kalman", plot = TRUE)



Mais le fait est que, dans l'estimation_mu_gamma....blahblah

La régression et la régression roulante sont divisées en trace et test, c'est comme s'il y avait un modèle pour prédire les nouvelles données (new spread), mais pour calman il n'y en a pas, je ne comprends pas comment il fonctionne à l'intérieur, comment construire le spread avec les nouvelles données avec calman. Le code est si peu clair que mes yeux saignent.

 
mytarmailS #:

Je ne comprends rien à ce kalman.

Il y a les trois stratégies à démêler de toute façon, il est probablement plus facile de démêler la deuxième avant kalman - elle a le même principe - l'adaptabilité dans le temps, mais elle est plus simple.

 
Andrei Trukhanovich #:

Il y a les trois stratégies à craquer de toute façon, il est probablement plus facile de craquer la deuxième avant Kalman - elle a le même principe - l'adaptabilité dans le temps, mais elle est plus simple.

Non Andrei, le second fonctionne très mal.

Il y a aussi de très bonnes paires prises ... Si vous prenez la réalité, si Dieu le veut, ce Kalman montrera quelque chose.

 
mytarmailS #:

Non Andrei, le second fonctionne très mal.

Il y a quelques très bonnes paires prises ... Si nous prenons la réalité, Dieu interdit que Kalman montre quelque chose.

Cette image est donc une comparaison sur les données simulées. Sur les données réelles là à la fin et sur leur première moitié le calman est même légèrement pire.

En gros, certaines hypothèses a priori sont faites pour kalman et si elles sont vraies dans la réalité, alors kalman sera bien meilleur et vice versa.

 
Aleksey Nikolayev # :

En gros, certaines hypothèses a priori sont faites pour le Kalman et si elles sont vraies dans la réalité, le Kalman sera bien meilleur et vice versa.

Je ne pense pas. Il simulait juste les données pour s'amuser...

Voici l'entraînement des modèles sur les données réelles Y_.

LS <- estimate_mu_gamma_LS(Y_)
rolling_LS <- estimate_mu_gamma_rolling_LS(Y_)
Kalman <- estimate_mu_gamma_Kalman(Y_)

puis obtenir les écarts.

spread_LS <- compute_spread(Y_, LS$gamma, LS$mu, "LS")
spread_rolling_LS <- compute_spread(Y_, rolling_LS$gamma, rolling_LS$mu, "rolling-LS")
spread_Kalman <- compute_spread(Y_, Kalman$gamma, Kalman$mu, "Kalman")

puis le backtest.


Vous n'avez pas entraîné Kalman sur des données synthétiques avant le vrai backtest.

 
mytarmailS #:

Je ne pense pas. Il simulait juste les données pour s'amuser.

Voici l'entraînement des modèles sur les données réelles Y_.

puis obtenir les écarts.

puis le backtest.


Vous n'avez pas entraîné Kalman sur des données synthétiques avant le vrai backtest.

Les hypothèses a priori sont d'une part un modèle linéaire stocké dans le paquet (décrit au début de la section Kalman) et d'autre part les paramètres d'initialisation de ce modèle sont pris, en général, au plafond.

 
mytarmailS #:

Non Andrei, le deuxième rollingLS est très mauvais.

Pas vraiment. Si vous regardez les graphiques précédents, vous pouvez voir que le "roulement" réel est déclenché après qu'un tiers de l'échantillon soit passé. Sur des données réelles, s'il y a un historique, il n'y aura pas ce problème.

Mais taki Kalman est probablement encore meilleur, mais je pense toujours qu'il est préférable de le séparer du poêle.

 
mytarmailS #:

Oui... surtout si vous êtes un humanitaire.

Ce n'est pas du forrest sur des iris).


Rien avec ce kalman n'est clair((

La MA (aka Kalman) sur l'écart résultant est comptée, en lissant le "bruit", bien sûr.
 
Maxim Dmitrievsky #:
MAshku (aka Kalman) compte sur l'écart résultant, en lissant le "bruit", bien sûr.

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Kalman n'est pas un mashka !
Kalman Filter: Modelling Time Series Shocks with KFAS in R | DataScience+
  • Python and R tutorials
  • datascienceplus.com
When it comes to time series forecasts, conventional models such as ARIMA are often a popular option. While these models can prove to have high degrees of accuracy, they have one major shortcoming – they do not typically account for “shocks”, or sudden changes in a time series. Let’s see how we can potentially alleviate this problem using a...
 
mytarmailS #:

https://datascienceplus.com/kalman-filter-modelling-time-series-shocks-with-kfas-in-r/

Nous sommes déjà passés par là avec Rena et le tracteur, avec des exemples de leurs prédictions à 1 bar ))))) Je rigole.

Dans un sens, il sera devant, dans l'autre, derrière. 50/50 au total.

1...256825692570257125722573257425752576257725782579258025812582...3399
Nouveau commentaire