Phénomènes de marché - page 61
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
Swinosaurus était le parent de cette branche, mais la chose intéressante est, comme l'a dit Mathemat, du milieu à la fin de la branche. Et cela, intéressant dans l'ensemble, n'est pas son mérite, mais...
Yurixx, Mathemat, Candid, MetaDriver , etc. Lisez-le, vous le trouverez intéressant.
Le vendredi vient de commencer et ils sont là depuis jeudi...
Seul Neutron a illustré quelque chose de sensé.
2 Neutron. L'étape suivante consiste à voir la distribution des intervalles du "second" processus. Montrez-moi, s'il vous plaît !
rsi:
L'étape suivante consiste à examiner la distribution des intervalles de temps du "second" processus.
Je creuse.
Ce qui est intéressant, c'est que l'équité des TS basées sur cette idée est vraiment en train de grimper. Je regarde le côté aléatoire de la chose. Il est clair que ce n'est probablement pas le cas, mais c'est fascinant !
Et avec l'analyse de régression non linéaire, que pouvez-vous déterminer dans ce cas ?
Pour commencer, la tâche doit être décomposée en plusieurs parties :
1. En se basant sur le fait que si nous avons optimisé le TS, ses tests prospectifs réussis s'entassent à certains endroits, c'est-à-dire que si le facteur de profit est de 1,6 ou plus, le test prospectif est le plus susceptible d'être un drain, s'il est inférieur à une certaine valeur, alors il est aussi un drain. Si le tirage au sort au point d'optimisation dépasse une certaine limite, le test prospectif a toutes les chances d'échouer. Il en va de même pour le gain attendu. L'absence d'importance, par rapport à l'écart, du gain attendu dans les résultats de l'optimisation conduit à l'échec des tests prospectifs. En d'autres termes, il existe une certaine dépendance entre les résultats de l'optimisation et la réussite des tests prospectifs, et nous devons donc être plus précis. Parcourons les ouvrages de référence pour trouver une méthode d'étude appropriée (adaptée au contexte). Nous avons constaté par exemple que dans notre contexte, la régression logistique suivie d'une analyse ROC semble appropriée, c'est-à-dire qu'elle permet de calculer la probabilité de succès d'un événement (test prospectif) en fonction de ses caractéristiques (paramètres d'ajustement). Théoriquement, cela correspond, bien que je n'en sois pas sûr, car la régression logistique la plus courante est linéaire, et il serait préférable de l'amener à une forme non linéaire. Mais ce ne sont que des spéculations, il est tout à fait possible que la linéarité soit plus que suffisante.
2. nous disposons du segment initial du test prospectif et nous devons construire son modèle mathématique en utilisant une régression non linéaire pour l'extrapolation, par exemple, en utilisant les MCO ou l'approximation des polynômes de puissance.
3. nous disposons des données du point 1 et du modèle du point 2. Examinez le modèle du point 2 pour trouver un écart (résidus dans la terminologie économétrique) du segment avant connu par rapport au modèle. Étudier les caractéristiques de l'intervalle connu du test prospectif et ses déviations et reprendre les données de l'étape 1 et effectuer une analyse, par exemple en utilisant la régression logistique décrite ci-dessus, calculer une probabilité que le test prospectif n'est pas épuisé et a un potentiel suffisant pour un trading rentable à l'avenir (sinon, nous devrions à nouveau tout réoptimiser et chercher un autre test prospectif réussi).
C'est à peu près ce qui est prévu pour la recherche sur les tests avancés.
Pour commencer, la tâche doit être décomposée en plusieurs parties :
1. En se basant sur le fait que si nous avons optimisé le TS, ses tests prospectifs réussis s'entassent à certains endroits, c'est-à-dire que si le facteur de profit est de 1,6 ou plus, le test prospectif est le plus susceptible d'être un drain, s'il est inférieur à une certaine valeur, alors il est aussi un drain. Si le tirage au sort au point d'optimisation dépasse une certaine limite, le test prospectif a toutes les chances d'échouer. Il en va de même pour le gain attendu. L'absence d'importance, par rapport à l'écart, du gain attendu dans les résultats de l'optimisation conduit à l'échec des tests prospectifs. En d'autres termes, il existe une certaine dépendance entre les résultats de l'optimisation et la réussite des tests prospectifs, et nous devons donc être plus précis. Parcourons les ouvrages de référence pour trouver une méthode d'étude appropriée (adaptée au contexte). Nous avons constaté par exemple que dans notre contexte, la régression logistique suivie d'une analyse ROC semble appropriée, c'est-à-dire qu'elle permet de calculer la probabilité de succès d'un événement (test prospectif) en fonction de ses caractéristiques (paramètres d'ajustement). Théoriquement, cela correspond, bien que je n'en sois pas sûr, car la régression logistique la plus courante est linéaire, et il serait préférable de l'amener à une forme non linéaire. Mais ce ne sont que des spéculations, il est tout à fait possible que la linéarité soit plus que suffisante.
2. nous disposons d'un segment initial du test avant et devons construire un modèle mathématique en utilisant une régression non linéaire pour l'extrapolation, par exemple, en utilisant les MCO ou l'approximation des polynômes de puissance.
3. nous disposons des données de la rubrique 1 et du modèle de la rubrique 2. examinez le modèle de la rubrique 2 pour déterminer les écarts (résidus dans la terminologie économétrique) du segment avant connu par rapport au modèle. Étudier les caractéristiques de l'intervalle connu du test prospectif et ses déviations et reprendre les données de l'étape 1 et effectuer une analyse, par exemple en utilisant la régression logistique décrite ci-dessus, calculer une probabilité que le test prospectif n'est pas épuisé et a un potentiel suffisant pour un trading rentable à l'avenir (sinon, nous devrions à nouveau tout réoptimiser et chercher un autre test prospectif réussi).
C'est à peu près ce qui est prévu pour la recherche sur les tests avancés.
C'est bien si votre TS convertit une cotation non stationnaire en un profit stationnaire.
Et si le profit n'est pas stationnaire, est-ce une mauvaise chose ?
Pour commencer, la tâche doit être décomposée en plusieurs parties :
1. En se basant sur le fait que si nous avons optimisé le TS, ses tests prospectifs réussis s'entassent à certains endroits, c'est-à-dire que si le facteur de profit est de 1,6 ou plus, le test prospectif est très probablement un drain, s'il est inférieur à une certaine valeur, alors c'est aussi un drain. Si le tirage au sort au point d'optimisation dépasse une certaine limite, le test prospectif a toutes les chances d'échouer. Il en va de même pour le gain attendu. L'absence d'importance, par rapport à l'écart, du gain attendu dans les résultats de l'optimisation conduit à l'échec des tests prospectifs. En d'autres termes, il existe une certaine dépendance entre les résultats de l'optimisation et la réussite des tests prospectifs, et nous devons donc être plus précis. Parcourons les ouvrages de référence pour trouver une méthode d'étude appropriée (adaptée au contexte). Nous avons constaté que dans notre contexte, la régression logistique suivie d'une analyse ROC semble appropriée, c'est-à-dire qu'elle permet de calculer la probabilité de succès d'un événement (test prospectif) en fonction de ses caractéristiques (paramètres d'ajustement). Théoriquement, cela correspond, bien que je n'en sois pas sûr, car la régression logistique la plus courante est linéaire, et il serait préférable de l'amener à une forme non linéaire. Mais ce ne sont que des spéculations, il est tout à fait possible que la linéarité soit plus que suffisante.
2. nous disposons d'un segment initial du test prospectif et nous devons construire son modèle mathématique en utilisant une régression non linéaire pour l'extrapolation, par exemple, en utilisant les MCO ou l'approximation des polynômes de puissance.
Nous disposons des données de l'étape 1 et du modèle de l'étape 2. Examinez le modèle de l'étape 2 pour voir s'il y a des écarts (résidus selon la terminologie économétrique) entre le segment connu et le modèle. Étudier les caractéristiques de l'intervalle connu du test prospectif et ses déviations et reprendre les données de l'étape 1 et effectuer une analyse, par exemple en utilisant la régression logistique décrite ci-dessus, calculer une probabilité que le test prospectif n'est pas épuisé et a un potentiel suffisant pour un trading rentable à l'avenir (sinon, nous devrions à nouveau tout réoptimiser et chercher un autre test prospectif réussi).
C'est à peu près ce qui est prévu pour la recherche sur les tests avancés.
Même si je ne connais MQL et la programmation en général que depuis deux mois et que je ne sais pas grand-chose, je pense tout de même qu'il est techniquement très difficile de tester cette idée en utilisant MQL.
Ici, nous avons besoin que le testeur s'appelle lui-même lors du test. Cependant, vous pouvez aussi utiliser des testeurs à partir de deux terminaux, si cela est possible (et s'il est possible de démarrer le testeur à partir du conseiller expert).
Et si les bénéfices sont instables, est-ce une mauvaise chose ?
L'évaluation de l'ISC est indéfendable.
Ne sois pas ridicule ! Qu'est-ce que l'ISC a à voir là-dedans ? Quel est le rapport entre stationnarité et non-stationnarité ?
Vous prenez des mots et les laissez tomber partout où vous allez... Vous avez entendu le son, mais vous ne savez pas où il se trouve.