L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 239
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Prova a descrivere la candela con due numeri, ciascuno nell'intervallo [-1.0; 1.0]. Si tratta della posizione di O e C rispetto a H e L.
come si fa?
Per altezza H è 1, L è -1, rispettivamente esprimere O e C rispetto a H e L.
La volatilità della candela non è presa in considerazione qui, tutti i calcoli vanno dentro la candela, e che tipo di candela è, una candela gap o un piccolo dojiq il MO non vede
Penso che la cosa più normale siano gli incrementi %, ma non li conto correttamente
una selezione circa il raggruppamento delle candele, ma come standardizzato non rivelano, e quelli che lo fanno, non sono soddisfatto dei risultati
https://www.elitetrader.com/et/threads/statistical-analysis-of-candlesticks-patterns.285918/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
http://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
http://intelligenttradingtech.blogspot.com/2010/06/quantitative-candlestick-pattern.html
La volatilità della candela non è presa in considerazione qui, tutti i calcoli vanno dentro la candela, e che tipo di candela è, una candela gap o un piccolo dojiq il MO non vede
Penso che il più normale sia l'incremento %, ma non riesco a capire bene
La volatilità non deve essere presa in considerazione, ma i gap devono essere eliminati (candele spostate della distanza del gap).
La lezione è finita)))
Grazie, penso di aver capito. Sembra molto semplice, non ci credo, ma lo controllerò.
Inoltre è strano che il segno sia un predittore separato, io renderei semplicemente la dimensione della candela negativa se è al ribasso. Dovrei provare anche io.
Grazie, penso di aver capito. Sembra molto semplice, non ci credo, ma lo controllerò.
Inoltre è strano che il segno sia un predittore separato, io renderei semplicemente la dimensione della candela negativa se è al ribasso. Dovrei provare anche io.
Non lo capisco, però.
Come si crea un obiettivo?
Da dove viene la formula?
Continuo a credere che senza selezionare i predittori per il loro impatto sulla variabile obiettivo, tutto il resto è irrilevante. Questo è il primo passo. O rimuoviamo i predittori di rumore e allora le nostre possibilità di costruire un modello NON riqualificato aumentano, o i predittori di rumore rimangono, il che porterà necessariamente al riqualificazione. E poiché il comportamento del modello riqualificato nel futuro non è in alcun modo legato al suo comportamento nel passato, tale modello riqualificato non è necessario.
Un altro approccio interessante per determinare l'importanza dei predittori. Non vengono utilizzati algoritmi multipli per determinare l'importanza deipredittori.
Ecco il codice eseguito da questo post
> n <- 10000
>
> x1 <- runif(n)
> x2 <- runif(n)
> y <- -500 * x1 + 50 * x2 + rnorm(n)
>
> model <- lm(y ~ 0 + x1 + x2)
>
> # 1a. Standardized betas
> summary(model)$coe[,2]
x1 x2
0.02599082 0.02602010
> betas <- model$coefficients
> betas
x1 x2
-500.00627 50.00839
> imp <- abs(betas)/sd.betas
Ошибка: объект 'sd.betas' не найден
> sd.betas <- summary(model)$coe[,2]
> betas <- model$coefficients
> imp <- abs(betas)/sd.betas
> imp <- imp/sum(imp)
> imp
x1 x2
0.9091711 0.0908289
> imp1 <- abs(model$coefficients[1] * sd(x1)/sd(y))
> imp2 <- abs(model$coefficients[2] * sd(x2)/sd(y))
>
> imp1 / (imp1 + imp2)
x1
0.9095839
> imp2 / (imp1 + imp2)
x2
0.0904161
> # 2. Standardized variables
> model2 <- lm(I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
> summary(model2)
Call:
lm(formula = I(scale(y)) ~ 0 + I(scale(x1)) + I(scale(x2)))
Residuals:
Min 1Q Median 3Q Max
-0.0236475 -0.0046199 0.0000215 0.0046571 0.0243383
Coefficients:
Estimate Std. Error t value Pr(>|t|)
I(scale(x1)) -9.932e-01 6.876e-05 -14446 <2e-16 ***
I(scale(x2)) 9.873e-02 6.876e-05 1436 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.006874 on 9998 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: 1
F-statistic: 1.058e+08 on 2 and 9998 DF, p-value: < 2.2e-16
> abs(model2$coefficients)/sum(abs(model2$coefficients))
I(scale(x1)) I(scale(x2))
0.90958355 0.09041645