Savez-vous comment faire des canaux ? - page 7

 
Alexey Volchanskiy:

Mes amis, il n'y a presque plus de commerce, il est temps de passer à la théorie. Après avoir dressé un tableau amusant, parlons du travail dans un canal.

A mon humble avis, le canal est un outil auxiliaire et sert à confirmer un signal reçu d'une autre manière.

Canal HP


Toutes ces chaînes, tendances et autres sont des conneries. Tout est beau dans l'histoire, et l'avenir est caché derrière le brouillard de la NESTATION.

Soit nous nous souvenons toujours de la non-stationnarité et nous cherchons des outils pour la contrer, que nous appliquons ensuite, soit nous perdons notre caution.

1. nous tradons selon des modèles (un canal est aussi un modèle). Nous prenons TA + cerveaux (expérience) - le plus prometteur, et peut-être gagner. Ou on prend le MO, on cherche automatiquement des modèles... et ensuite nous devons trouver des données d'entrée, qui devraient à nouveau générer des modèles stables pour la variable cible. Le principal problème n'est pas l'algorithme de recherche de motifs, mais la capacité à trouver les données brutes pour ces motifs. L'expérience montre qu'il existe environ 30 données d'entrée de ce type (multivariées). Sur ce nombre, il est en principe possible de rechercher des canaux multivariés. Est-ce nécessaire ?

2. Statistiques (Toolbox"Econometrics" dans Matlab). GARCH. Convertir la série originale en série stationnaire, maintenant en trois étapes. Jusqu'à la fin, PERSONNE n'a réussi à obtenir un résidu stationnaire du modèle. Et si le résidu n'est pas stationnaire, il y a toujours une situation qui draine le dépôt.

 
СанСаныч Фоменко:

Jusqu'à la fin, PERSONNE n'a réussi à obtenir un résidu stationnaire du modèle. Et si le résidu est instable, il y a toujours une situation qui draine la dépo.


Vous avez voilé la phrase "nous allons tous nous égoutter" d'une manière si difficile.

 
СанСаныч Фоменко:

Le principal problème n'est pas l'algorithme de recherche de motifs, mais la capacité à trouver les données brutes pour ces motifs. L'expérience montre qu'il existe environ 30 entrées de ce type (multidevises).

Pouvez-vous être plus précis ? Quelles sont les 30 données d'entrée qui contiennent des modèles ?

 

Voici l'évolution des modèles, du linéaire à l'ordure

peut-être que quelqu'un doit utiliser Python pour résoudre des exemples et voir pourquoi les canaux ne fonctionnent pas.

Le principe de base est que tout ce qui n'est pas linéaire (non stationnaire au sens du terme) est sous-déterminé, car il ne converge pas vers la moyenne... tout est tellement trivial qu'il est difficile de croire que l'économétrie a dépassé les idées de Bernoulli ou autre... Les idées de Gauss.

http://www.blackarbs.com/blog/time-series-analysis-in-python-linear-models-to-garch/11/1/2016

Time Series Analysis (TSA) in Python - Linear Models to GARCH
Time Series Analysis (TSA) in Python - Linear Models to GARCH
  • 2016.11.08
  • Brian Christopher
  • www.blackarbs.com
So what?  Why do we care about stationarity?  A stationary time series (TS) is simple to predict as we can assume that future statistical properties are the same or proportional to current statistical properties.Most of the models we use in TSA assume covariance-stationarity (#3 above). This means the descriptive statistics these models predict...
 
Viktor Korchagin:

c'est ainsi que s'est déroulé le test du commerce



Alors, automatisez-le.

 
Viktor Korchagin:

Je ne suis pas un programmeur, l'échange a été fait sur sh4 donc vous pouvez aussi échanger avec vos mains lentement.


donc on ne peut pas se fier à votre résultat car il pourrait être aléatoire :)

 
СанСаныч Фоменко:

Conneries toutes ces chaînes, tendances et autres... Tout semble bon dans l'histoire, mais l'avenir est caché derrière le brouillard de l'INCAPACITÉ.

Soit nous nous souvenons toujours de la non-stationnarité et cherchons des outils pour la combattre, que nous appliquons ensuite, soit nous perdons notre caution.

1. nous tradons selon des modèles (un canal est aussi un modèle). Nous prenons TA + cerveaux (expérience) - le plus prometteur, et peut-être gagner. Ou on prend le MO, on cherche automatiquement des modèles... et nous devons ensuite trouver des données d'entrée, qui devraient à nouveau générer des modèles stables pour la variable cible. Le principal problème n'est pas l'algorithme de recherche de motifs, mais la capacité à trouver des données d'entrée pour ces motifs. L'expérience montre qu'il existe environ 30 données d'entrée de ce type (multivariées). Sur ce nombre, il est en principe possible de rechercher des canaux multivariés. Est-ce nécessaire ?

2. Statistiques (Toolbox"Econometrics" dans Matlab). GARCH. Convertir la série originale en série stationnaire, maintenant en trois étapes. Jusqu'à la fin, PERSONNE n'a réussi à obtenir un résidu stationnaire du modèle. Et si le résidu n'est pas stationnaire, il y a toujours une situation qui draine le dépôt.

Tout à fait d'accord. Les canaux, les tendances sont en grande partie a posteriori et sont simplement notre façon habituelle de donner du sens à une histoire déjà établie. Les distributions de probabilité mobiles doivent être calculées - cela donnera des informations plus fiables. Mais là aussi, la non-stationnarité brouille les cartes.
 
Viktor Korchagin:

Vous avez raison... je ne prétends rien))) mais ce que j'ai dit, c'est que vous pouvez écrire un hibou... il sera intéressant de voir les résultats.


 
Aleksey Ivanov:
Je suis tout à fait d'accord. Les canaux, les tendances sont en grande partie a posteriori et sont simplement notre façon habituelle de donner du sens à une histoire déjà établie. Les distributions de probabilité mobiles doivent être calculées- cela donnera des informations plus fiables. Mais là aussi, la non-stationnarité brouille les cartes.
Exactement. Je dis comment faire sur mon fil depuis 2 mois maintenant. Et certaines des personnes les plus sophistiquées sont complètement stupéfaites dans ces domaines. Ils sont désemparés, pour faire simple. Il est temps pour eux de jouer aux dominos :))))
 
Aleksey Ivanov:
Je suis tout à fait d'accord. Les canaux, les tendances sont en grande partie a posteriori et sont simplement notre façon habituelle de donner du sens à une histoire déjà établie. Les distributions de probabilité mobiles doivent être calculées - cela donnera des informations plus fiables. Mais là aussi, la non-stationnarité brouille les cartes.
Cela se fait en GARCH depuis environ 15 ans, mais avant cela, il y a deux étapes supplémentaires pour les incréments: un modèle de tendance en incréments et un modèle de volatilité (GARCH - clustering volatility first, mais il y a beaucoup d'autres nuances). Ensuite, la densité mobile est calculée et modélisée généralement par une distribution t. Si nous regardons l'histoire du développement des modèles GARCH, l'efficacité de ces modèles s'est améliorée de façon spectaculaire exactement après la modélisation de la densité de probabilité. Donc, vous ne pouvez pas vous en passer.