L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 655
![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
J'ai beaucoup pensé à ça aussi.
Si le modèle de régression prédit les gains de prix par barre et que le score R2 est supérieur à zéro sur les fronttests et backtests, c'est déjà un bon début. Le problème est que le résultat, bien que stable, est faible, l'écart ne peut être battu.
D'un point de vue analytique, le problème est que R2 pénalise plus fortement le modèle pour les erreurs importantes et ignore les petites erreurs et les mauvaises directions de transaction. Si vous regardez la distribution des gains, la plupart des mouvements de prix ne sont que de quelques pips. Et le modèle, au lieu de prédire la direction correcte de ces petits mouvements, apprend à prédire les longues queues de la distribution pour lesquelles il obtiendra un R2 plus élevé. Par conséquent, le modèle peut prédire les grands mouvements, mais sur les petits, il se trompe toujours de direction et perd l'écart.
Conclusion - les estimations de régression standard pour le forex sont mauvaises. Il est nécessaire de créer une sorte de fonction d'adéquation, afin de prendre en compte les directions de distribution, la diffusion et la précision. Ainsi, même avec une précision d'un peu plus de 50 %, il y a une chance de faire des bénéfices.
La précision, le ratio Sharp, le facteur de récupération et les autres fonctions d'analyse des graphiques commerciaux sont trop discrets, les neurones avec un backprop standard ne sortiront pas du minimum local et ne pourront pas apprendre correctement.
Une autre conclusion consiste à ignorer complètement les signaux faibles du neurone. N'échangez que des produits solides. Le problème est que nous pouvons toujours définir le seuil qui donne de bons résultats sur le backtest, mais qui ne donnera pas de bons résultats sur le fronttest. Ici aussi, nous devons penser à quelque chose.
Pourtant, l'idée même d'utiliser des modèles de régression pour l'apprentissage automatique semble très discutable. Et surtout pour la prédiction incrémentale. Et c'est doublement vrai pour les SN, qui sont en quelque sorte une boîte noire avec quelques couches et perseptrons. Quelle est la signification économique ou statistique de ces mots ?
Après tout, ce n'est pas pour rien que les modèles GARCH sont utilisés pour les incréments. et ce sont les plus courants à l'heure actuelle. L'idée fondamentale de surmonter la non-stationnarité en décomposant les séries non-stationnaires en composantes, qui ont un sens économique et statistique tout à fait significatif, est très attrayante.
Dans le modèle GARCH, le modèle se compose des étapes suivantes :
Tout travail significatif et utile.
Si nous ajoutons la possibilité d'ajouter des régresseurs externes, nous obtenons un outil assez riche, malheureusement extrêmement varié et donc exigeant en main-d'œuvre.
Quel est le problème ?
https://www.quantstart.com/articles/ARIMA-GARCH-Trading-Strategy-on-the-SP500-Stock-Market-Index-Using-R
copier-coller et fperet
sur quelle base ?
Pourtant, l'idée même d'utiliser des modèles de régression pour l'apprentissage automatique semble très discutable. Et cela est particulièrement vrai pour la prédiction incrémentale. Et c'est doublement vrai pour les SN, qui sont au sens d'une boîte noire avec quelques couches et perseptrons. Quelle est la signification économique ou statistique de ces mots ?
Après tout, ce n'est pas pour rien que les modèles GARCH sont utilisés pour les incréments. et ce sont les plus courants à l'heure actuelle. L'idée fondamentale de vaincre la non-stationnarité en décomposant une série non-stationnaire en composantes qui ont une signification économique et statistique tout à fait significative est très séduisante.
Vous avez tort SanSanych. La NS est en quelque sorte l'équivalent de la logique floue. Apprenable. Personnellement, je ne vois rien de mystérieux là-dedans. Vous pouvez utiliser d'autres analogies.
Eh bien, et la non-stationnarité. Tout processus, s'il est décomposé en morceaux, deviendra non stationnaire, et s'il ne l'est pas, il ne sera pas aléatoire.
D'ailleurs, à la vue des distributions sur différentes longues périodes (plusieurs sur 3 mois), je n'ai pas remarqué de différence significative entre les deux.
Quant au sens économique, je ne sais pas. Je suppose que le marché est aléatoire pour l'observateur. Que ce soit réellement aléatoire ou non n'a pas vraiment d'importance. Le mot clé ici est pour l'observateur.
Quel est le problème ?
https://www.quantstart.com/articles/ARIMA-GARCH-Trading-Strategy-on-the-SP500-Stock-Market-Index-Using-R
copier-coller et fperet.
Vous êtes un homme intéressant ! Il s'avère que tu sais tout !
sur quelle base ?
J'ai du bois, quelle différence cela fait-il ?
J'ai du bois, quelle différence cela fait-il ?
Car dans ce cas, le logarithme n'élimine pas les valeurs aberrantes : le calcul des incréments avec n-lag élimine les valeurs aberrantes.
le logarithme centre simplement le graphique par rapport à 0
et pour se débarrasser des aberrations par logarithme, il faut introduire une échelle logarithmique.
simples incréments
logarithme des incréments (naturel)
Parce que le logarithme dans ce cas n'évite pas les valeurs aberrantes : le calcul des incréments avec n-lag évite les valeurs aberrantes.
Le logarithme centre simplement le graphique par rapport à 0.
et pour éliminer les valeurs aberrantes par logarithme, il faut introduire une échelle logarithmique.
simples incréments
logarithme des incréments (naturel).
Les émissions sont une chose délicate. Il est préférable de remplacer des émissions trop importantes par un maximum plus acceptable.
Il n'est pas possible de se débarrasser complètement des émissions. Mais pour minimiser leur impact sur la distribution, non seulement on peut et on doit utiliser le logarithme.
Si nous prenons un cas hypothétique avec des citations adjacentes 10 et 2
10/2 = 5
log (10/2) = 0,69
Parce que le logarithme dans ce cas n'évite pas les valeurs aberrantes : le calcul des incréments avec n-lag évite les valeurs aberrantes.
n-lag est une augmentation de la TF, et plus la TF est grande, plus l'augmentation est importante.
Votre lag 50 est n8, seulement plus précis dans le sens où votre TF=8 heures commence chaque minute, contrairement au graphique normal.
Les émissions sont une chose délicate. Il est préférable de remplacer complètement les émissions trop élevées par un maximum plus acceptable.
Il n'est pas possible de se débarrasser complètement des émissions. Mais il est non seulement possible mais nécessaire de réduire leur influence sur la distribution et cela se fait par logarithme.
Si nous prenons un cas hypothétique avec des citations adjacentes 10 et 2
10/2 = 5
log (10/2) = 0,69
bien, vous avez trouvé la puissance de e pour obtenir la valeur de l'incrément initial
mais tu ne t'es pas débarrassé des aberrations.
J'ai cité 2 photos ci-dessus