L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1200

 
Igor Makanu:

il post più sensato che ho avuto in un paio di mesi! ... Ho bisogno di pensarci, non lo faccio da molto tempo, devo preparare il mio corpo, le vacanze si avvicinano!


Beh, per ottenere la probabilità hai bisogno di ricerca (esperimenti, nel nostro caso test), non c'è altro modo, solo il data mining ti aiuterà, ma non guardo i tutorial di YouTube, continui a tornare da me, ogni lezione è Python (((

Cominciamo python prima di talov dopo gennaio )) nel 2Q forse

 
mytarmailS:

Non so se servirà a qualcosa ma! Si può provare la correlazione. Immagina il risultato ideale che vuoi come la curva che vuoi, poi nel processo di ricerca del modello migliore, confronta il risultato attuale con quello ideale (la tua curva ideale) calcolando la correlazione. Il modello con la correlazione più vicina all'ideale sarà il più vicino al modello che state cercando

Grazie per l'idea, ma non è fattibile, perché l'ideale è molto astratto - non è chiaro cosa dovrebbe essere. In apparenza ogni iterazione dovrebbe dare miglioramenti, o anche qualche miglioramento incrementale, ma questa è un'idea banale, e non è chiaro ora perché gli sviluppatori del software MO non l'abbiano implementata. O si tratta di una curva di apprendimento troppo lunga che renderebbe il prodotto che crea il modello non competitivo, o ci sono stati test reali sull'idea e non sono stati trovati benefici.

 
Maxim Dmitrievsky:

Ci sono pochi articoli sulla ricerca di modelli attraverso un terver, per qualche motivo.

E non c'è quasi nessuna informazione su Bayes, e dove c'è, è difficile da capire.

Il problema principale di Bayes è la scelta della giusta distribuzione a priori. Nel nostro caso tutto è complicato dalla non stazionarietà - può apparire la dipendenza dal tempo.

Sembra ovvio costruire quello a priori su una grande storia e quello posteriore su una piccola storia. Il problema è nella corretta separazione di queste parti della storia sotto la non stazionarietà.

 
Maxim Dmitrievsky:

Si tratta precisamente di articoli sulla ricerca di modelli attraverso un terver che sono, per qualche motivo, scarsi in termini di informazioni


Perché no - tonnellate, proibitive, impossibili da padroneggiare. Si chiama GARCH. Lì un modello è composto da tre parti:

  • la tendenza, modellata attraverso l'ARIMA, o si può fare attraverso la FARIMA (integrazione frazionaria - imitando Hearst);
  • poi la forma della varianza;
  • poi la distribuzione e quant'altro, con test, per esempio, su tutte le 500 azioni dell'indice e la stesura dei risultati corrispondenti.

Di cos'altro si ha bisogno per essere felici, nel senso di un teorico?


Forse è per questo che non è disponibile da nessuna parte, dato che tutto è raccolto in una varietà di garage (una volta ho postato un link - più di 100 garage diversi)?

 
Aleksey Nikolayev:

Il problema principale dei bayesiani è la scelta della giusta distribuzione a priori. Nel nostro caso è complicato dalla non stazionarietà - la dipendenza dal tempo può apparire.

Sembra ovvio costruire quello a priori su una grande storia e quello posteriore su una piccola storia. Il problema è quello di isolare correttamente queste sezioni della storia di fronte alla non stazionarietà.

Sì, questo è ovvio e per di più già fatto attraverso il MO (al proprio livello di comprensione). Il secondo modello corregge i segnali del primo dopo ogni passo. Si è rivelato molto facile, veloce e adattabile... ma sono necessarie altre ricerche. Ho anche sviluppato una teoria (bayesiana, in modo intelligente).

 
SanSanych Fomenko:

Perché no - tonnellate, proibitivo, impossibile da padroneggiare. Si chiama GARCH. Lì il modello è composto da tre parti:

  • la tendenza, modellata attraverso l'ARIMA, o si può fare attraverso la FARIMA (integrazione frazionaria - imitando Hearst);
  • poi la forma della varianza;
  • poi la distribuzione e quant'altro, con test, per esempio, su tutte le 500 azioni dell'indice e la stesura dei risultati corrispondenti.

Di cos'altro si ha bisogno per essere felici, nel senso di un teorico?


Forse è per questo che non si trova da nessuna parte, dato che tutto è raccolto in una varietà di garage (una volta ho postato i link - più di 100 garage diversi)?

o forse è difficile da confrontare a mente... per esempio, le probabilità condizionali, le articolazioni, ecc. si possono dire definite attraverso un garch?

cioè se voglio solo impostare la gamma di ricerca per così dire, cercare modelli da lontano, in diverse combinazioni di, diciamo, incrementi, intervalli di tempo o altro

Voglio qualcosa di simile su python (lo stesso tempo sarà la pratica).

qualcosa del genere: https://www.mql5.com/ru/articles/3264
Наивный байесовский классификатор для сигналов набора индикаторов
Наивный байесовский классификатор для сигналов набора индикаторов
  • www.mql5.com
Хотим мы того или нет, но статистика в трейдинге играет заметную роль. Начиная с фундаментальных новостей, пестрящих цифрами, и заканчивая торговыми отчетами или отчетами тестирования, от статистических показателей никуда не деться. Вместе с тем, тезис о применимости статистики в принятии торговых решений остается одной из самых дискуссионных...
 
Maxim Dmitrievsky:

sì, questo è ovvio e inoltre, già fatto attraverso MO (al suo livello di comprensione). Il secondo modello corregge i segnali del primo dopo ogni passo. Si è rivelato molto facile, veloce e adattabile... ma ha bisogno di più ricerca. Ci ho anche montato una teoria (bayesiana, in modo intelligente).

C'è un altro modo ovvio per costruire una distribuzione a priori. Se si suppone che i prezzi "al limite/in media" si comportino come gli SB, allora si può anche costruire questa distribuzione sugli SB. In rari casi questo può essere fatto analiticamente, ma di solito con Monte Carlo. Il metodo è più complesso e non necessariamente migliore dei precedenti.

 
Aleksey Nikolayev:

C'è un altro modo ovvio per costruire una distribuzione a priori. Se si suppone che i prezzi "al limite/in media" si comportino come SB, allora si può anche costruire questa distribuzione su SB. In rari casi questo può essere fatto analiticamente, ma di solito con Monte Carlo. Il metodo è più complicato e non necessariamente migliore del precedente.

normale, sharya :) o come un altro Aleksey ha mostrato curve di distribuzioni di segnale modello su un campione addestrato, base normale per a priori.

queste sono tutte cose robuste
 
Maxim Dmitrievsky:

normale, sharite :) o, come un altro Alexei ha mostrato curve di distribuzioni di segnale modello su un campione addestrato, una base normale per a priori.

queste sono tutte cose robuste

Tutto è rovinato dalla non stazionarietà, che può essere sia netta che strisciante.

 
Maxim Dmitrievsky:

normale, sai :) o come un altro Alexey ha mostrato curve di distribuzioni di segnale modello su un campione addestrato, una base normale per a priori.

queste sono tutte cose robuste

Se ti riferisci a me, ho mostrato le curve su un campione di prova e su un campione di prova - non guardo nemmeno il campione per l'allenamento...