Principes de travail avec un optimiseur et moyens de base pour éviter de s'y intégrer. - page 3

 

Pourquoi un modèle doit-il être stationnaire ? Supposons que nous ayons un modèle de travail. La distribution de son occurrence dans le temps est rigidement non normale. Les principales caractéristiques de ce modèle sont également non stationnaires et flottent dans le temps. Et alors ? La condition principale n'en est qu'une, - qu'elle continue à apparaître et non à disparaître. Simplement, notre MO sera non stationnaire, mais toujours positif, et c'est là l'essentiel. Par ailleurs, la non-stationnarité complique sérieusement la recherche de ces mêmes modèles. Nous ne pouvons pas compter sur les méthodes statistiques standard pour l'identifier et l'utiliser. Par exemple, s'il est apparu tous les jours l'année dernière et qu'il a soudainement disparu aujourd'hui, les statistiques diront que le modèle ne fonctionne plus. Mais ce n'est pas vrai, car il apparaît quand il le veut et n'est pas obligé de générer des caractéristiques stationnaires. C'est sa propriété, à un niveau fondamental, qui détermine la nécessité de réoptimiser les algorithmes. Parce que d'une manière ou d'une autre, nous travaillons avec des paramètres fixes qui correspondent parfaitement à un modèle donné uniquement sur l'histoire. Demain, ce sera légèrement différent, ce qui signifie qu'il y aura un décalage par rapport à l'extrémité de notre ajustement.

Et il s'agit juste de survivre à l'équipe de demain. Et nous pouvons survivre en utilisant des régularités relativement stables, ou (et) des méthodes (simples) suffisamment grossières pour lesidentifier et les traiter, de sorte que leur estimation grossière permette à la régularité elle-même de changer dans des limites suffisamment larges.

C'est mon raisonnement, la raison pour laquelle les méthodes simples sont généralement plus efficaces que les méthodes complexes, et pourquoi il devient possible de gagner de l'argent sur le marché en premier lieu.

 
ask: Un équilibriste verbal et rien de plus. Vous devez définir si vos séries sont non stationnaires ou avec des modèles. Parce que ma psyché ne peut pas comprendre la phrase : "Régularités de séries non stationnaires" Vous avez déjà trouvé des régularités de séries non stationnaires, je comprends ?


J'ai fait quelques recherches et j'ai trouvé -

Lastationnarité est la propriété d'un processus qui ne change pas ses caractéristiques dans le temps.

Ainsi, une série non stationnaire change ses caractéristiques au fil du temps. Mais cela ne veut pas dire qu'il ne peut pas y avoir de modèle.

Vous confondez une série financière non stationnaire avec une série chaotique. Une série chaotique ne peut pas avoir de régularités, mais une série non stationnaire qui change ses caractéristiques dans le temps le peut. En outre, il peut y avoir des régularités qui prédéterminent ces changements.

Même à première vue, certaines régularités sont visibles dans les séries financières.

Un mouvement clair à la hausse et à la baisse sous la forme d'une tendance. Un modèle ? - Un modèle.

Un mouvement latéral indéfini et prononcé comme un plat. La régularité ? - Régularité.

Tête et épaules", "drapeaux" et autres formes. La régularité ? - Régularité.

Et bien plus encore......)))))

 
C-4:

Pourquoi un modèle doit-il être stationnaire ? Supposons que nous ayons un modèle de travail. La distribution de son occurrence dans le temps est rigidement non normale. Les principales caractéristiques de cette tendance sont également non stationnaires et flottent dans le temps. Et alors ? La condition principale n'en est qu'une, - qu'elle continue à apparaître et non à disparaître. Simplement, notre MO sera non stationnaire, mais toujours positif, et c'est là l'essentiel. Par ailleurs, la non-stationnarité complique sérieusement la recherche de ces mêmes régularités. Nous ne pouvons pas compter sur les méthodes statistiques standard pour l'identifier et, ce faisant, l'utiliser. Par exemple, si un modèle apparaît tous les jours depuis un an et qu'il disparaît soudainement aujourd'hui, les statistiques diront que ce modèle ne fonctionne plus. Mais ce n'est pas vrai, car il apparaît quand il le veut, et ne doit pas générer de caractéristiques stationnaires. C'est sa propriété, à un niveau fondamental, qui détermine la nécessité de réoptimiser les algorithmes. Parce que d'une manière ou d'une autre, nous travaillons avec des paramètres fixes qui correspondent parfaitement à un modèle donné uniquement sur l'histoire. Demain, le schéma sera légèrement différent, ce qui signifie qu'il y aura un décalage par rapport à l'extrémité de notre ajustement.


C'est la quasi-stationnarité - un changement de mo dans une certaine fourchette. Peut-être qu'il ne s'agit pas seulement de mo, mais dans ce contexte, c'est celui qui nous intéresse le plus.

C-4:

Et la question de toutes les questions est de survivre au changement de demain. Et nous pouvons survivre avec des régularités relativement stables ou (et) des méthodes d'identification(simples) suffisamment grossières et travailler avec elles, de sorte que leur estimation grossière permette à la régularité elle-même de changer dans une fourchette suffisamment large.

C'est mon raisonnement, la raison pour laquelle les méthodes simples sont généralement plus efficaces que les méthodes complexes, et pourquoi il devient possible de gagner de l'argent sur le marché en premier lieu.

Il peut donc y avoir une méthode super complexe, mais une estimation assez grossière du modèle). Il s'agit plutôt d'une question de nombre de paramètres du système et de la sensibilité du résultat à leur modification. Si une petite modification du paramètre entraîne une modification du résultat, ce n'est pas bon. Il y a d'autres signes. J'ai récemment écrit à ce sujet ici https://www.mql5.com/ru/forum/137614/page5

 
Avals:
essayez de prendre le reste, pas toujours, mais sélectivement, par morceaux. Si vous savez identifier le début et la fin de tels morceaux sur une ligne (pas a posteriori, bien sûr), cela suffira pour commercer. Si ce n'est pas le cas, vous devez changer de modèle.
Encore une fois : il n'y a pas de morceaux fixes.
 
faa1947:
Encore une fois : il n'y a pas de pièces fixes.


Encore une fois : vous voulez gagner des valeurs positives et ne pas dépasser les pertes prédéfinies dans une transaction. Ce sont les parties quasi-stationnaires de l'entrée à la sortie. Et ils sont bien sûr sur les séries de prix négociés.

Les augmentations de capital sont quasi-stationnaires avec des mo positifs variant de préférence dans de petites limites. Sinon, cette équitabilité et le système qui la génère ne sont pas nécessaires.

 

faa1947: Еще раз: не бывает стационарных кусов.

Par exemple, la tendance est-elle une pièce fixe ou non ?
 
Avals:


Encore une fois : en entrant dans une transaction, vous voulez obtenir un mouvement positif et pas plus qu'une perte prédéterminée ? Il s'agit des tronçons quasi-stationnaires entre l'entrée et la sortie de la transaction.

C'est le but de ce fil.

En fait, il est quasi-stationnaire, dans la prédiction, il est non-stationnaire. Le test, y compris le test à terme, est quasi-stationnaire, alors que le futur est non-stationnaire, et donc le test ne nous dit rien. Il est nécessaire de traduire le quotient futur en un état quasi-stationnaire. Cela ne peut se faire qu'en simulant la non-stationnarité, du moins en partie.

 
faa1947:

Cela ne peut se faire qu'en modélisant la non-stationnarité, du moins en partie.

Qui peut dire contre, faites-le)) Mais de toute façon, lorsqu'on modélise l'évolution d'un marché, il faut s'appuyer sur ses statistiques passées et sur une sorte de modèle immuable. C'est-à-dire que seuls les paramètres de ce modèle changent en fonction de l'historique le plus proche. L'adaptabilité est une propriété normale de TS :)
 
Je me demande quand même si la tendance est une pièce fixe ou non ?
 
Avals:
Qui s'en soucie, le modèle)) Mais de toute façon, lorsqu'on modélise l'évolution d'un marché, il faut s'appuyer sur ses statistiques passées et sur une sorte de modèle immuable. C'est-à-dire que seuls les paramètres de ce modèle changent en fonction de l'historique le plus proche. L'adaptabilité est une propriété normale de TS :)
L'adaptabilité elle-même et elle ne résout pas le problème de la non-stationnarité. Il existe un certain nombre de techniques et de méthodes pour modéliser la non-stationnarité. En conséquence, au moins la propagation du résidu instable peut être réduite.