L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2168

 
Aleksey Nikolayev:

Sembra essere scritto ovunque che la Fourier è buona solo per i segnali periodici. O quasi - con uno spettro ristretto.

A proposito, per MO nel trading mi sembra che la decomposizione Walsh sarebbe più adatta, ma per qualche motivo non l'ho vista menzionata sul forum.

Non solo periodico, ma con sempre lo stesso periodo (tempo dall'inizio di un'oscillazione all'inizio di un'altra) e sempre la stessa forma. E nelle citazioni sia i periodi che la forma della curva cambiano continuamente. Pertanto, nessuna trasformazione del segnale nel mercato è appropriata.
Ho anche studiato elettronica all'università e so di cosa sto parlando.

 
Igor Makanu:

Sì!

Ho appena finito - hai capito bene.

Devo arrendermi, un imbecille ha agitato le cose con le sue fantasie ))))

Ha mostrato un filtro e 10 scambi, di questo tipo. Dalle code alla media (linee di filtro) o qualcosa del genere

Come al solito, quando inizia un trend, sarà negativo in tutto il conto

E posta questi ceppi ogni volta in ogni thread, e tutti voi discutete allegramente per 10 pagine per più di 1 anno ))


 
Maxim Dmitrievsky:

Ha mostrato un filtro e 10 scambi, secondo queste linee. Dalle code alla media (linee di filtro) o qualcosa del genere

Come al solito, quando inizia un trend, sarà negativo in tutto il conto.

e posta questi ceppi ogni volta in ogni thread, e voi tutti insieme vi divertite a discuterne per 10 pagine per più di 1 anno ))

ok

ora mostra lo stesso sul mashka e confronta

piantagrane ;)

 
Aleksey Nikolayev:

Sembra che sia scritto ovunque che la Fourier va bene solo per i segnali periodici. O quasi - con uno spettro ristretto.

Le funzioni di base sono seni e la trasformazione determina solo per ogni seno il suo offset (fase) e il periodo

e l'intersezione di tutti questi seni (asse delle x) ci dà i punti dove prendiamo i valori del segnale (asse delle y)


UPD: ecco un'altra buona spiegazione,https://habr.com/ru/post/196374/

la cosa più preziosa in questo articolo sono i disegni fatti a mano ;)

 
Renat Akhtyamov:

ok

Ora dimostrate la stessa cosa sulla macchina e confrontatela.

bullo ;)

ci sono un sacco di altre maschere che sembrano simili. Non fa alcuna differenza.

Per esempio HMA o qualcosa del genere

se stai andando per mashkas, almeno normalizza per la volatilità e cose del genere.

E non scrivere che è un graal. Non c'è.

 
Maxim Dmitrievsky:

ci sono molti altri mash-up che sembrano simili. Non fa alcuna differenza.

Per esempio, HMA o qualcosa del genere

Se stai andando per le MA, almeno normalizza per la volatilità e cose del genere.

E non scrivere che è un graal. Non c'è nessun graal lì.

Hai bisogno di uno screenshot, Max, non solo di parole.

Non puoi dire stronzate.

 

Se ne avete bisogno, ecco un piccolo script che calcola l'area relativa sotto l'intersezione delle curve della distribuzione dei valori delle caratteristiche per due cluster.

cl_1 = samples.drop(samples[samples["targets"] == 0].index).reset_index(drop=True)[samples.columns[1]]
cl_2 = samples.drop(samples[samples["targets"] == 1].index).reset_index(drop=True)[samples.columns[1]]

min_x = min(cl_1.min(),cl_2.min())
max_x = max(cl_1.max(),cl_2.max())
x = np.arange(min_x,max_x,(max_x-min_x)/100)
hist_1 = np.histogram(cl_1,x)
hist_2 = np.histogram(cl_2,x)
plt.hist(cl_1,x, histtype= 'step',label='cl_1')
plt.hist(cl_2,x, histtype= 'step',label='cl_2')

area1 = np.sum(hist_1[0])/sum(hist_1[0])
area2 = np.sum(hist_2[0])/sum(hist_2[0])
ymax = np.maximum(hist_1[0],hist_2[0])
ymin = np.minimum(hist_1[0],hist_2[0])

area_overlap = sum(ymin/sum(ymax))
print(area1, area2, area_overlap)

Penso che sia una buona metrica per scegliere il metodo di diradamento, l'analisi dell'obiettivo, le caratteristiche e chissà cos'altro.

area_overlap è giallo nell'immagine

 
Renat Akhtyamov:

Mostrami uno screenshot, Max, non solo parole.

Non c'è bisogno di agitare un sacco, vero?

Ecco il vero TC sul MO dal mio articolo. Formazione - solo 1 mese, poi generalizzazione per 2 anni. Sono reali e funzionano.

 
welimorn:

Se ne avete bisogno, ecco un piccolo script che calcola l'area relativa sotto l'intersezione delle curve della distribuzione dei valori delle caratteristiche per due cluster.

Penso che sia una buona metrica per scegliere il metodo di diradamento, l'analisi dell'obiettivo, le caratteristiche e chissà cos'altro.

area_overlap è giallo nell'immagine.

Tu fai cose ingegnose ) Comincerò a guardarlo lunedì.

 
Tutti sanno che una deviazione dalla media può essere significativa, ma nessuno sa quando accadrà.