Les programmeurs MQL peuvent-ils être considérés comme des programmeurs ? - page 6
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
Le fait d'être un programmeur ou non dépend d'une personne.
MQL4-5 est l'une des branches de la programmation.
Il existe différents degrés de compétence-compilation d'algorithmes-programmes.
Par exemple, si vous ne savez utiliser que MQL4-5, vous serez un dieu de la programmation parmi les novices et les non-programmeurs.
Si vous êtes bon en MQL4-5, parmi les programmeurs expérimentés vous serez un perdant.
Tout dépend de l'environnement dans lequel vous vous trouvez.
Tout dans le monde est relatif.
Un verre d'eau est plus grand qu'une goutte, un baril d'eau est toujours plus grand qu'un verre d'eau, et ainsi de suite.
Et si vous prouvez quelque chose devant des professionnels qui ne savent utiliser que MQL4-5.
ils vous piétineront dans un fossé avec ***, avec des rires sauvages et des rugissements.
P.s. Chacun doit être dans son créneau et n'argumenter qu'à son niveau.
Et si vous prouvez quelque chose devant des professionnels qui ne savent qu'utiliser MQL4-5
ils vous piétineront dans un fossé avec ***, et avec des rires et des rugissements sauvages.
Ils ne seront même pas piétinés. Vous ne serez même pas piétinés. Il n'y a aucun intérêt.
Il n'y aura même pas de piétinement. Il n'y aura pas non plus de rires ou de hennissements. Il n'y a pas de raison.
Il y aura toujours ceux qui aiment le faire...
comme ça)
Si vous faites cela, vous pouvez vous considérer non pas comme un super-programmeur, mais comme un super-idiot. Au lieu d'appliquer ce qui a déjà été créé de nombreuses fois, de le faire soi-même et de perdre du temps à le faire. Cette approche "tout seul" ne correspond pas au concept de la programmation moderne).
S'il vous plaît, dites-moi où je peux trouver, au moins les codes de travail C++ pour GARGH.
Dans R-Project, avec le code source. Il semble qu'il y en ait aussi dans les modules Python. Et tout cela en C++. Et si ce n'est pas en C++, qui-qui empêche de se connecter à ces modules à partir de toute autre application ? Vous n'avez que l'interface derrière vous. Pourquoi avez-vous besoin de code C++ ? - Vous n'avez pas besoin de code pour l'appliquer.
PS Voici la première chose qui est apparue lors d'une recherche - garch for Python - Time Series Analysis (TSA) in Python - Linear Models to GARCH À en juger par la recherche, garch C++ est également suffisant.
Si vous faites cela, vous pouvez vous considérer non pas comme un super-programmeur, mais comme un super-idiot. Au lieu d'appliquer ce qui a déjà été créé de nombreuses fois, de le faire soi-même et de perdre du temps à le faire. Le concept de programmation moderne ne correspond pas à cette approche "tout seul").
C'est pourquoi j'ai mentionné la faible productivité et la nécessité d'apprendre la technologie "à la volée". Si j'ai ces problèmes, alors quel genre de joueur de char suis-je ? Un programmeur, je veux dire.
S'il vous plaît, dites-moi où je peux trouver, au moins, des codes de travail C++ pour GARCH.
Le problème est que le GARCH(1,1) pur est un modèle pratiquement inapplicable.
Vous devez prendre le paquet approprié, le plus intéressant étant le rugarch. Vous devez simuler la moyenne, ARCH proprement dit, et il y a beaucoup de ces modèles, vous pouvez obtenir de bons résultats avec EGARCH, en plus de cela vous devez simuler la distribution. De nombreuses publications soulignent les résultats de l'utilisation de ce paquet sur les marchés financiers, y compris le Forex. Vous pouvez y trouver des codes prêts à l'emploi et des exemples, c'est très instructif.
Si vous regardez Rugarch et obtenez un bon résultat, il est disponible sur Srp, les codes sont open source.
Mais vous êtes loin de Srp car il n'est pas sûr que vous obteniez un résultat décent avec GARCH. Quoi qu'il en soit, il est incomparablement plus pratique de mener des expériences en R plutôt qu'en µl, car R est un interpréteur.
Dans tous les cas, il est incomparablement plus pratique de réaliser des expériences en R plutôt qu'en µl, car R est un interpréteur.
C'est plus pratique non pas parce que l'interpréteur est secondaire, mais parce que R est un environnement de modélisation, y compris (ou d'abord) statistique.
À propos, malgré le fait que R soit interprété, le langage lui-même est un langage de script et sert principalement à relier les mots d'une phrase, c'est-à-dire les fonctionnalités et les différents paquets entre eux. Et le langage lui-même occupe une part négligeable du temps d'exécution du programme.
Ainsi, toutes les plaintes concernant la vitesse de R sont totalement infondées. Il s'agit d'utiliser R directement dans TC, et de l'inutilité de réécrire des codes dans MQL).
Le problème est que...
Informations utiles :
http://keldysh.ru/papers/2013/prep2013_19.pdf
M.A. Ananiev, N.A. Mitin
Comparaison des modèles autorégressifs linéaires et non linéaires d'hétéroscédasticité conditionnelle à l'aide de l'exemple du rendement de l'indice RTS
ANNOTATION
Dans ce document, nous comparons les capacités de prévision des modèles de volatilité conditionnelle linéaires et non linéaires à l'aide de l'exemple des modèles GARCH pour le rendement de l'indice RTS. Sur la base des prix de clôture quotidiens de l'indice RTS pendant 10 ans, un ensemble de modèles paramétriques est estimé et un ensemble de prévisions de la volatilité pour différents horizons est construit. Les capacités de prévision des modèles sont comparées selon les critères sélectionnés. Des modèles non linéaires ont été développés pour tenir compte des caractéristiques détectées des séries temporelles, mais la qualité des prévisions obtenues à l'aide de ces modèles est parfois mise en doute. Les résultats de cette étude complètent les résultats d'autres travaux : les modèles de volatilité conditionnelle non linéaires donnent de meilleurs résultats. Une explication possible de ce succès peut être le fait que les modèles non linéaires donnent de meilleures prévisions à des horizons relativement courts, alors qu'à des horizons plus longs, ils peuvent donner des erreurs plus importantes.
Le problème est que le GARCH(1,1) pur est un modèle pratiquement inapplicable.
Vous devez prendre le paquet approprié, le plus intéressant étant le rugarch. Vous devez simuler la moyenne, ARCH proprement dit, et il y a beaucoup de ces modèles, vous pouvez obtenir de bons résultats avec EGARCH, en plus de cela vous devez simuler la distribution. De nombreuses publications soulignent les résultats de l'utilisation de ce paquet sur les marchés financiers, y compris le Forex. Vous pouvez y trouver des codes prêts à l'emploi et des exemples, c'est très instructif.
Si vous regardez Rugarch et obtenez un bon résultat, il est disponible sur Srp, les codes sont open source.
Mais vous êtes loin de Srp car il n'est pas sûr que vous obteniez un résultat décent avec GARCH. Quoi qu'il en soit, il est incomparablement plus pratique de mener des expériences en R plutôt qu'en µl, car R est un interpréteur.
San Sanych, laissez-moi vous confier un terrible secret : le MQL aussi. C'est aussi un interprète.