Régression bayésienne - Est-ce que quelqu'un a fait un EA en utilisant cet algorithme ?
Tout d'abord, une bourse normale a été utilisée, ensuite, les principales données alimentées étaient probablement la coupe du marché, et vous pouvez obtenir des volumes séparés, et enfin, il s'agissait de crypto-monnaies.
Le Pdf est barbu, je ne pense pas que ce soit si facile maintenant, c'est beaucoup plus difficile d'échanger.
Mais je pense qu'il est encore possible de pincer.
Si vous voulez faire une telle chose avec le forex, buvez de l'eau froide, je vous le dis tout de suite - cela ne fonctionnera pas avec 99% de probabilité.
Tout d'abord, un échange normal a été utilisé, deuxièmement, la principale donnée qui a été alimentée est probablement un taux de marché, de plus là vous pouvez obtenir des volumes distincts, et troisièmement, c'est une crypto-monnaie.
Le Pdf est barbu, je ne pense pas que ce soit si facile maintenant, c'est beaucoup plus difficile d'échanger.
Mais je pense qu'il est toujours possible de pincer.
Si vous voulez faire une telle chose avec le forex, buvez de l'eau froide, je peux vous le dire dès maintenant - cela ne fonctionnera pas avec une probabilité de 99%.
Merci.
Je suis intéressé par l'opinion sur la possibilité d'utiliser cette stratégie sur le marché des changes. J'ai beaucoup d'opinions différentes, surtout des opinions précieuses, qui sont basées sur l'expérience pratique.
Les opinions peuvent varier, mais celles fondées sur l'expérience pratique sont précieuses.
Merci.
Je suis intéressé par l'opinion sur la possibilité d'utiliser cette stratégie dans le forex. Les opinions peuvent varier, mais celles fondées sur l'expérience pratique sont précieuses.
Larégression bayésienne est similaire à la régression ridge, mais elle est basée sur l'hypothèse que le bruit (erreur) dans les données est normalement distribué - on suppose donc qu'une compréhension générale de la structure des données est déjà disponible, ce qui permet d'obtenir un modèle plus précis (par rapport à la régression linéaire, bien sûr).
D'où : http://datareview.info/article/10-tipov-regressii-kakoy-vyibrat/
En raison de l'hypothèse de normalité des erreurs, je doute de l'applicabilité de cette méthode aux marchés financiers.
En outre, dans tout modèle où la dépendance n'est estimée que sous la forme d'un hyperplan, il y a une chance de manquer un bord non linéaire, qui est ce qui peut rendre le modèle rentable.
- votes : 4
- datareview.info
En raison de l'hypothèse de normalité des erreurs, je doute de l'applicabilité de cette méthode aux marchés financiers.
Cela ne dépend pas vraiment de la régression, mais plutôt des données d'entrée.
Je renforcerais même votre argument : le succès de la modélisation n'est pas déterminé par les modèles (s'ils sont appliqués correctement), mais par les données d'entrée. D'après mon expérience, certains ensembles de données d'entrée conduisent TOUJOURS à des modèles surentraînés, et si vous travaillez avec eux, vous risquez fort de vous retrouver avec des modèles non entraînés. Je pense que le principal mal de la modélisation - l'overfitting - est déterminé par les données d'entrée. Résoudre ce problème par une régularisation est une demi-mesure.
Parmi les plus prometteurs, je citerai : ada, randomforest, SVM.
Il est préférable de ne pas utiliser le modèle bayésien en raison de l'hypothèse de normalité de l'erreur (ainsi que de nombreux autres modèles).
Je renforcerais même votre argument : le succès de la modélisation n'est pas déterminé par les modèles (s'ils sont appliqués correctement), mais par les données d'entrée. D'après mon expérience, certains ensembles de données d'entrée conduisent TOUJOURS à des modèles surentraînés, et si vous travaillez avec eux, vous risquez fort de vous retrouver avec des modèles non entraînés. Je pense que le principal mal de la modélisation - l'overfitting - est déterminé par les données d'entrée. Résoudre ce problème par une régularisation est une demi-mesure.
Parmi les plus prometteurs, je citerai : ada, randomforest, SVM.
Il est préférable de ne pas utiliser le modèle bayésien en raison de l'hypothèse de normalité de l'erreur (ainsi que de nombreux autres modèles).
Merci.
Je suis également intéressé par l'avis sur l'approche commerciale décrite dans l'article.
Pourquoi ? Pensez-vous que la loi de la distribution normale ne fonctionne pas sur les marchés financiers ? Si vous considérez le bruit (les erreurs) comme des quantités aléatoires, il est parfaitement approprié d'utiliser une distribution gaussienne pour eux.
Une situation où les erreurs seront réellement normales est rare, et cela nécessite une reproduction minutieuse de la fonction de densité de probabilité pour la série originale dans le modèle. Cela sera-t-il réalisable ? Telle est la question. Et si la plausibilité des estimations des paramètres du modèle en dépend, vous pouvez rater. J'utiliserais des méthodes non-paramétriques, comme la forêt aléatoire, le GBM, le SVM non-linéaire.
Mais d'une manière générale, les personnes qui comprennent bien la régression linéaire et qui sont capables de faire de l'ingénierie des caractéristiques ont obtenu de meilleurs résultats sur les marchés financiers que les suppositions aléatoires.
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Vous acceptez la politique du site Web et les conditions d'utilisation
La stratégie est capable de presque doubler l'investissement en moins de 60 jours lorsqu'elle est exécutée sur la base de données réelles.
I. Régression bayésienne Le problème. Nous considérons la question de la régression : on nous donne n points de données étiquetés d'apprentissage (xi,yi) pour 1 ≤ i ≤ n avec xi ∈ Rd,yi ∈ R pour un certain fixed d ≥ 1. Le but est d'utiliser ces données d'entraînement pour prédire l'étiquette inconnue y ∈ R pour un x ∈ Rd donné. L'approche classique. Une approche standard de la statistique non paramétrique (voir [3] par exemple) consiste à supposer un modèle du type suivant : les données étiquetées sont générées conformément à la relation y = f(x)+ où est une variable aléatoire indépendante représentant le bruit, généralement supposée être gaussienne avec une moyenne de 0 et une variance (normalisée) de 1. La méthode de régression se résume à l'estimation de f à partir de n observations (x1,y1),...,(xn,yn)et à son utilisation pour la prédiction future. Par exemple, si f(x) = xTθ∗, c'est-à-dire que f est supposée être une fonction linéaire, alors l'estimation classique des moindres carrés est utilisée pour estimer θ∗ ou f : ˆ θLS ∈argmin θ∈Rd n X i=1 (yi -xT i θ)2 (1) [...]Régression bayésienne et Bitcoin.pdf